💻 生物信息学

Bayesian model-based method for clustering gene expression time series with multiple replicates

本文介绍了 MMDPGP，这是一种基于狄利克雷过程高斯过程的贝叶斯模型化方法，通过对每个重复样本进行单独建模来对具有多个重复次数的基因表达时间序列进行聚类，从而比现有最先进的方法实现了更高的聚类准确度和生物学洞察力。

原作者： Nushi, E., Douillard, F. P., Selby, K., Lindström, M., Honkela, A.

发布于 2026-11-02

📖 1 分钟阅读☕ 轻松阅读

原作者： Nushi, E., Douillard, F. P., Selby, K., Lindström, M., Honkela, A.

原始论文采用 CC BY 4.0 许可（https://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

单个细胞内部的生活是一场持续不断的、繁忙的对话。基因，即构建和运行生物体的说明书，并不仅仅是静止不动的；它们以复杂的节奏开启和关闭，响应着环境和生物体的需求。为了理解细菌如何生长或疾病如何进展，科学家经常观察这些随时间变化的节奏，从而创建被称为转录组时间序列的基因活动时间线。然而，生物学很少是完全统一的。即使科学家在相同的实验室条件下、使用相同的条件培养完全相同的细菌，不同样本之间也会出现细微的自然差异，就像两个人在面对同样的天气时反应可能略有不同一样。这些差异被称为重复样本（replicates），它们不仅仅是被忽略的噪声，更是关于底层生物学现实的重要信息来源。长期以来，研究人员面临的挑战在于，如何在不被样本间的这些自然差异所误导的情况下，对随时间表现出相似行为的基因进行分组。

赫尔辛基大学的一个研究小组开发了一种解决这一难题的新方法。他们创建了一种名为 MMDPGP 的方法，全称为多模型狄利克雷过程高斯过程（multiple models Dirichlet process Gaussian process）。要理解它的作用，请想象尝试对大量的音乐录音进行分类。其中一些录音是同一首歌，但每首都是由不同的乐队演奏的，且每支乐队都有自己独特的风格和节奏。传统的分类方法可能会试图寻找所有演奏这首歌的乐队的平均声音，并将它们归为一类。这种方法往往会失败，因为平均值会抹平定义这首歌的独特特征，或者在乐队演奏略有差异时感到困惑。而这种新方法则是在识别出它们都在演奏同一首曲目的同时，也倾听每一支乐队的声音。它为每份录音建立一个单独的模型，使其既能欣赏乐队之间的自然差异，又能正确识别它们共同演绎的旋律。

研究人员在一种被称为肉毒杆菌（Clostridium botulinum）的特定细菌上测试了这种方法，这种细菌以产生一种强力毒素而闻名。他们在二十四小时内，在十三个不同的时刻测量了三种独立培养的肉毒杆菌的基因活性。这创建了一个丰富的数据集，其中每个基因都有三个略有不同的活性时间线版本。当他们将这种新方法应用于该数据时，它将基因分成了二十六个截然不同的簇。相比之下，旧的方法产生了非常不同的结果：一种方法创建了一百多个微小的、碎片化的组，而另一种方法则将三个生物学副本合并为一个单一的平均值，从而仅产生了十三个宽泛的组。新方法处理三份独立数据副本的能力，使其找到了一个中间地带，既保留了数据的生物学结构，又不会迷失在噪声中。

衡量这些分组是否合理的真正测试，来自于观察这些基因实际在做什么。研究人员使用标准的生物学目录来检查每个簇中的基因是否具有共同的功能，例如能量产生或细胞运动。与旧方法产生的组相比，新方法创建的组与这些真实的生物学功能显示出更强的关联性。具体而言，新方法识别出了五个与特定生物学任务明确相关的基因组，而其他方法发现的此类连接较少。这表明，通过尊重实验样本间的个体差异，新方法能够揭示出那些在这些差异被忽略或平均化时被掩盖的基因间的真实功能关系。

为了确保他们的方法不仅仅是针对这种特定细菌运气好，研究人员还创建了人工数据集，在这些数据集中，他们预先知道了正确答案。他们模拟了带有不同噪声和变化水平的基因活性，以模仿实验室中混乱的现实情况。在每一次测试中，新方法在排序基因的准确性上都优于现有方法，能够正确地将属于一起的基因归为一类，并将不属于一起的基因分开。虽然其中一种旧方法在预测缺失数据点方面表现稍好，但这是因为它创建了如此多的微小组别，以至于它本质上是在记忆数据而非寻找更广泛的模式。新方法达到了平衡，它捕捉了实验的自然变异性，从而揭示了底层的生物学故事。

这项工作代表了科学家分析复杂生物学数据方式的一种转变。通过将每个实验副本视为合唱团中独特的声音，而非需要纠正的干扰，研究人员展示了自然变异是一种发现的工具，而非障碍。他们的方法提供了一个更清晰的视角，让我们了解基因如何随时间协同工作，为理解生命复杂的运作机制提供了一种更可靠的方式。对于研究从细菌生长到人类疾病等一切领域的科学家来说，这种方法为他们观察基因表达动态世界提供了一个更精确的透镜。

技术摘要：用于转录组时间序列聚类的多模型狄利克雷过程高斯过程 (MMDPGP)

问题陈述
基因表达时间序列的聚类对于理解基因在生物过程中的作用及其相互作用网络至关重要。虽然传统方法（如 k-means、层次聚类）依赖于往往忽略时间依赖性的距离度量，但基于模型的方法提供了概率框架。然而，现有的用于转录组时间序列的模型化聚类方法经常无法充分考虑实验重复样本（replicates）固有的变异性。一些方法通过取平均值来忽略重复样本，而另一些方法则使用单个高斯过程（GP）对簇内的所有重复样本进行建模，这可能会掩盖自然的生物学变异。本文旨在解决一种能够显式建模多个重复样本，从而更好地捕捉底层生物动态的聚类技术需求。

方法论
作者提出了多模型狄利克雷过程高斯过程 (MMDPGP)，这是一种贝叶斯非参数聚类方法。其核心创新在于生成模型对实验重复样本的处理方式：

狄利克雷过程 (DP) 先验： 该方法采用 DP 来生成无限混合模型，允许从数据中自动推断簇的数量，而不是预先设定。
重复样本特异性高斯过程： 与以往的方法不同，MMDPGP 假设在每个簇内，每一个实验重复样本都由其自身独特的 GP 生成。
- 生成模型： 对于属于簇 $\kappa$ 的基因 $i$ 和重复样本 $r$ ，潜在函数 $f^{(r)}_i(t)$ 是从具有簇特定均值 $m^{(r)}_\kappa(t)$ 和核参数（长度尺度、方差、噪声）的 GP 中抽取的。
- 独立性： 模型将不同重复样本的表达值视为在给定簇分配条件下的条件独立变量，从而形成一个分块对角协方差矩阵。与联合建模所有重复样本的方法相比，这降低了计算复杂度。
- 处理重复样本： 生物学重复被建模为具有各自潜在函数的不同时间序列。技术重复被建模为同一潜在轨迹的有噪声观测值。
推理： 作者实现了 Neal 的 Gibbs 采样算法 8 来采样簇分配。基因分配到某个簇的后验概率是基于该基因的时间序列（跨所有重复样本）由该簇特定的 GPs 生成的可能性进行计算的。
对比基准： 该方法与两种最先进的模型化方法进行了比较：
- MOHGP (Hensman et al.)： 使用每个簇一个单一的 GP 来对所有重复样本进行联合建模。
- DPGP (McDowell et al.)： 使用每个簇一个单一的 GP，但将多个重复样本折叠为一个单一的平均时间序列，忽略了重复样本的变异性。

核心贡献

新颖架构： 引入了 MMDPGP，它利用了狄利克雷过程高斯过程混合模型，其中每个簇内的每个重复样本都有其自身的 GP 模型。
计算效率： 通过在边际模型中独立建模重复样本，MMDPGP 实现了更低的计算复杂度 ( $O(N_\kappa R T^3)$ )，相比之下，MOHGP 的复杂度为 $O(N_\kappa (RT)^3)$ ，这使其对于具有大量重复样本的密集时间序列更具可扩展性。
生物学效用： 该方法将生物学重复之间的自然变异性视为信息来源，而非将其视为需要被平均掉的噪声。

结果
作者使用合成数据和来自 Clostridium botulinum（肉毒梭菌）的真实 RNA-Seq 时间序列数据集（三个生物学重复，13 个时间点）对 MMDPGP 进行了评估。

合成数据表现：
- 在各种噪声水平和相位偏移下，MMDPGP 的簇纯度 (cluster purity) 显著高于 MOHGP 和 DPGP。
- 它不太可能错误地将来自不同底层簇的时间序列归为一类。
真实数据分析 (C. botulinum)：
- 簇结构： MMDPGP 识别出 26 个簇，而 MOHGP 产生了 116 个（大多很小），DPGP 产生了 13 个。
- 生物学富集： 使用 COG（同源基因组簇）注释进行的基因富集分析显示，MMDPGP 的簇包含更高数量的显著富集功能类别（在 $p < 0.05$ 时为 5 个），而 MOHGP（2 个）和 DPGP（4 个）较少。在更严格的显著性水平（ $p \le 0.01$ ）下，MMDPGP 检测到了其他方法发现的所有富集，并发现了额外的富集。
- 预测似然性： 留一法预测似然性分析显示，MOHGP 的得分略高。作者将其归因于 MOHGP 倾向于创建极小的簇，从而导致潜在的过拟合；而 MMDPGP 产生了更具生物学意义的分组。

意义与主张
本文声称 MMDPGP 提供了一种处理具有多个重复样本的转录组时间序列聚类的优越方法。通过使用独立的 GP 为每个重复样本建模，该方法利用了实验重复样本之间的自然变异性来学习更多的生物学信息。作者认为，这种方法揭示了在重复样本内表现相似但在重复样本间可能因自然变异而存在差异的基因簇，而这种细微差别在平均化（DPGP）或联合建模（MOHGP）中会丢失。该方法被定位为一种提供更精细、更详细的重复样本建模的工具，从而实现具有更高生物学一致性和功能富集的聚类。作者并不声称解决了所有的聚类挑战，而是将 MMDPGP 定位为处理以生物变异为关键特征而非干扰因素的多重复样本数据的稳健替代方案。

类似论文