🧬 biology

Multi-omics network reconstruction with collaborative graphical lasso

本文介绍了一种名为“协作图形拉索”（collaborative graphical lasso）的新方法，该方法由 XStARS 模型选择标准进行增强，并通过 R 语言包 `coglasso` 实现，通过协作惩罚和双重正则化方案，通过协调不同分子层间的信息，提升了多组学网络的重建质量。

原作者： Alessio Albanese, Wouter Kohlen, Pariya Behrouzi

发布于 2026-01-28

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Alessio Albanese, Wouter Kohlen, Pariya Behrouzi

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ⚕️ 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。阅读完整免责声明

想象一下你正在试图理解一座复杂的城市。你有两张不同的地图：一张显示的是交通模式（转录组学），另一张显示的是天气状况（代谢组学）。这两张地图描述的是同一个城市，但它们使用的语言不同，关注的重点也不同。

长期以来，试图理解这两张地图如何相互关联的科学家们必须做出选择：要么只看交通地图，要么只看天气地图。如果他们试图将两者结合起来，往往只是把它们胡乱堆砌在一起，变成一个巨大且混乱的整体，从而丢失了每种数据的独特细节。

这篇论文介绍了一种更聪明的方法来合并这些地图。作者们称之为协作图形 Lasso（简称 coglasso）。

它是如何工作的，请看以下简单的类比：

1. 问题所在：“单打独斗”的侦探

旧方法（称为 glasso）就像是一个一次只能观察一种线索类型的侦探。如果侦探正在观察交通，他就会忽略天气；如果他在观察天气，他就会忽略交通。

问题在于： 在生物学中，不同的数据层（比如基因和代谢物）就像是同一个城市的不同层面。它们相互影响。忽视其中一个层面，就意味着你错失了完整的故事。

2. 解决方案：“协作式”侦探

作者创建了 coglasso，它就像是一位强迫交通专家和天气专家坐在同一张桌子旁并进行交流的侦探。

“协作项”： 这是其中的核心秘诀。这是一个规则，它规定：“嘿，如果交通图显示某条路很繁忙，那么天气图也应该一致认为条件适合产生这种交通。”它迫使这两个不同的数据层从彼此那里借鉴信息。它们必须通过“协作”来构建一幅统一的城市全景图。
“混合惩罚项”： 该方法还使用了两个不同的“音量旋钮”（数学设置）。一个旋钮控制你在交通图中能看到多少细节，另一个旋钮控制你在天气图中能看到多少细节。第三个设置则控制这两张地图之间可以进行多少交流。这确保了最终的地图既不会过于杂乱，又能捕捉到两个层面之间的重要联系。

3. 调节收音机：XStARS

当你拥有这么多旋钮可以调节时（多少细节？多少协作？），你如何知道哪种设置最好？

作者发明了一个名为 XStARS 的新工具。把它想象成一个智能收音机调谐器。与其仅仅靠猜测哪个频道信号最清晰，XStARS 会测试信号的稳定性。它会询问：“如果我听这个频道几分钟，音乐是保持不变，还是会出现杂音和变化？”它会自动找到完美的旋钮平衡点，为你提供最清晰、最可靠的地图，且没有任何静电干扰。

4. 测试新地图

团队通过两种方式测试了他们的新方法：

模拟实验室： 他们创建了具有已知交通和天气模式的虚拟城市。当他们尝试重建地图时，cogasso 比旧的“单打独斗”型侦探更能准确找到真实的连接。城市越复杂（数据层越多），cogasso 的表现就越好。
现实世界（睡眠剥夺）： 他们将此方法应用于被剥夺睡眠的小鼠的真实数据。他们观察了小鼠的基因（交通）和血液中的化学物质（天气）。
- 结果： 新方法成功找到了科学家已知真实的联系（例如，在睡眠缺失期间，特定基因调节热休克蛋白）。
- 额外收获： 它还发现了具有生物学意义的新联系，例如将特定基因与氨基酸联系起来，暗示了身体在应对睡眠缺失时，以我们此前尚未完全绘制出的方式做出反应。

核心结论

这篇论文展示了一种新工具（coglasso）和一种新的调优方法（XStARS），它们允许科学家将不同类型的生物数据（如基因和化学物质）整合进一个单一且连贯的网络中。通过迫使这些不同的数据层进行“协作”而非仅仅是简单地粘合在一起，该方法揭示了隐藏的联系，并提供了关于生物过程运作方式的更清晰、更准确的图景。

作者已将此工具作为免费软件程序提供给其他科学家使用，以便他们可以开始为自己的研究构建这些协作式地图。

技术摘要：用于多组学网络重构的协作图形 Lasso (Collaborative Graphical Lasso)

问题陈述
多组学数据的日益普及，产生了对集成方法的需求，以提供生物过程的整体分子描述。虽然现有的策略（如多组学因子分析 MOFA 和 DIABLO）侧重于因子分析或监督式生物标志物发现，但多组学相互作用网络的重构仍处于发展不足的状态。标准的高斯图形模型 (GGM)，特别是图形 Lasso (glasso)，在处理单层数据时非常有效，但无法解释多组学层之间既有区别又相互依赖的特性。直接将 glasso 应用于多组学数据需要将各层视为完全一致并进行合并，这可能会丢失层特异性的信息。相反，现有的多组学 GGM 扩展方法（如 DRAGON）引入了独立的惩罚参数，但缺乏一种鼓励层间“协作”的机制——这种协作概念在多组学线性回归（协作回归）中已得到成功应用，但在 GGM 估计中此前一直缺失。

方法论
作者提出了协作图形 Lasso (coglasso)，这是一种通过修改其目标函数来处理多层数据的 glasso 框架扩展算法。

目标函数修改：
Coglasso 通过划分方差-协方差矩阵的子块和系数向量，来估计两个组学层 $X$ （大小为 $p_X$ ）和 $Z$ （大小为 $p_Z$ ）的精度矩阵 $\Theta$ 。用于估计代理向量 $\beta_i$ （代表与节点 $i$ 的连接）的目标函数包含三个部分：
- 用于网络结构估计的标准 glasso 项。
- 一个协作项 (collaborative term)：该项惩罚层 $X$ 和层 $Z$ 对网络结构的加权贡献之间的平方差。它由超参数 $c$ 控制。该项鼓励各层相互“借用”信息，使它们的贡献趋于和谐，并防止层特异性偏差主导推断过程。
- 一个混合 L1 惩罚系统：与 glasso 的单一惩罚不同，cogлоasso 采用了两个不同的惩罚参数：
  - $\lambda_w$ ：控制同一组学层内部相互作用的稀疏性。
  - $\lambda_b$ ：控制不同组学层之间相互作用的稀疏性。
优化：
该算法使用坐标下降程序迭代求解修改后的目标函数，通过逐行更新精度矩阵直到收敛。
模型选择 (XStARS)：
由于存在三维搜索空间，选择最优超参数 ( $\lambda_w, \lambda_b, c$ ) 具有挑战性。作者引入了 eXtended StARS (XStARS)，这是一种基于稳定性的准则，扩展了原始的 StARS 算法 (Liu et al., 2010)。XStARS 通过在三维超参数网格中对数据进行重复子采样，评估网络稳定性，从而选择最稳定的网络结构。

核心贡献

算法创新： 在 GGM 框架中引入了协作惩罚项，使多组学层能够在保持各自独特结构特征的同时共享信息。
灵活的正则化： 实现了双重正则化方案 ( $\lambda_w$ 和 $\lambda_b$ )，允许对层内和层间稀疏性进行独立控制。
模型选择框架： 开发了 XStARS，以解决由新的协作框架带来的高维超参数调优问题。
实现： 在 CRAN 上发布了 coglasso R 程序包，包括 XStARS 选择程序。

结果
通过广泛的模拟研究和实际应用评估了 coglasso 的性能：

模拟研究：
- 设置： 生成了三种场景，随着维度 ( $p=60, 100, 150$ ) 的增加，结构复杂度也随之变化（带有层间连接的聚类网络）。
- 性能指标： 将 coglasso 与标准 glasso 在 F1 系数、Matthews 相关系数 (MCC) 和 Kullback-Leibler 散度 (KLD) 方面进行了比较。
- 发现： 在恢复真实网络结构和估计精度矩阵值方面，coglasso 一致地优于 glasso。随着问题复杂度和维度的增加，coglasso 的性能优势愈发显著。
- 协作影响： 在几乎所有案例中，表现最好的网络都是在 $c > 0$ 时取得的，这证实了协作项能积极改善推断效果。
- 模型选择： 与应用于 glasso 的标准 StARS 相比，XStARS 成功选择了具有更优结构恢复能力（更高的 F1 和 MCC）的网络。
在睡眠剥夺数据中的应用：
- 数据集： 使用来自 Diessler et al. (2018) 的多组学数据集，涉及来自睡眠剥夺小鼠的 162 个基因（转录组学）和 76 个代谢物（代谢组学）。
- 生物学验证：
  - 基于知识的验证： 重构的网络成功恢复了涉及 Cirbp 基因（冷诱导 RNA 结合蛋白）和热休克蛋白 (Hspa5, Hsp90b1) 的已知相互作用，这些蛋白已知在睡眠剥夺下会被诱导。它还识别了 Cirbp 与色氨酸之间的连接，从而联系到血清素调节。
  - 数据驱动的验证： 社群检测识别出一个富集了氨基酸以及来自 Fos/Jun 和 Egr 家族转录因子的簇。网络恢复了这些转录因子与特定氨基酸（例如 Fos 与亮氨酸，Junb 与蛋氨酸及组氨酸）之间的已知连接，这与氨基酸饥饿反应 (AAR) 的文献一致。
  - 新颖性： 该方法提出了此前未被明确验证的、具有生物学连贯性的连接，例如在睡眠剥夺期间，Cirbp 在未折叠蛋白反应 (UPR) 中的潜在调节作用。

意义与声明
论文声称，coglasso 通过独特地利用数据的多层特性，为多组学网络重构提供了一种新颖且相关的替代方案。作者强调，该方法在整合跨模态信息的同时，能够有效控制层内和层间的稀疏性。

作者对局限性和未来工作持谨慎态度：

假设： 与标准 GGM 一样，coglasso 依赖于多元正态性假设，而这可能并不适用于所有的多组学数据。作者建议未来的扩展可以引入基于 Copula 的技术来解决这一问题。
范围： 目前的实现支持两个组学层，尽管作者指出扩展到多于两层是一个有前景的方向。
比较： 作者明确表示，未将流行的工具如 MOFA 和 DIABLO 纳入比较，因为它们的主要目标（降维和生物标志物发现）与网络重构不同。同样，DRAGON 因缺乏公开的文档说明而被排除在外。
普适性： 虽然在生物数据上得到了验证，但作者指出该方法具有通用性，可以应用于其他领域，例如通过功能性磁共振成像 (fMRI) 数据重构神经科学领域的连接网络。