实例展示 | 氨探OML机器学习平台重现免疫检查点阻断剂反应预测模型

2023-09-13 13:01:21, Untangled

文献背景

BACKGROUND

2022年纪念斯隆凯特琳癌症中心的Timothy A. Chan团队在Nature Biotechnology发表了题为“Improved prediction of immune checkpoint blockade efficacy across multiple cancer types”文章，指出癌症患者中只有少部分人对免疫检查点阻断（immune checkpoint blockade，ICB）治疗敏感，但是目前临床决策的准确率不理想。所以，作者使用机器学习算法构建了患者对ICB治疗是否敏感的预测模型，模型使用的数据集（来自MSK-IMPACT队列）涉及16种癌症共计1479个样本，模型特征集囊括了包括基因组、分子、人口统计学和临床指标等在内的多种数据类型。其中，作者基于16个特征利用随机森林算法构建了RF16模型。这里，我们将使用文献公开的数据集来演示如何利用氨探生物开发的机器学习平台OML（https://omia.untangledbio.com/oml/）重现RF16模型结果。

文献数据集

数据下载链接（https://.ncbi.nlm.nih.gov/pmc/articles/PMC9363980/#SD2），下载的数据文件格式为xlsx（图1），每行表示一个样本，每列表示一个特征，这符合常规机器学习算法输入数据的格式。训练集和测试集分别在2个sheet中，因为OML只能读取一个数据文件，首先需要将训练集和测试集简单合并到一起，重新生成一个xlsx文件。

文献RF16模型的特征集对应到数据集列名分别为Cancer_Type2（癌症类型）、Chemo_before_IO (1:Yes; 0:No)（患者在免疫治疗前是否接受化疗）、Age（年龄）、Sex (1:Male; 0:Female)（性别）、BMI、Stage (1:IV; 0:I-III)（癌症分期）、NLR（blood neutrophil-to-lymphocyte ratio，血液中性粒细胞与淋巴细胞的比例）、Platelets（血小板）、HGB（hemoglobin，血红蛋白）、Albumin（白蛋白）、Drug (1:Combo; 0:PD1/PDL1orCTLA4)（immunotherapy drug agent，免疫治疗药物）、TMB（tumor mutational burden，肿瘤突变负荷）、FCNA（fraction of copy number alteration，拷贝数变异率）、HED（HLA-I evolutionary divergence，HLA-I进化分化）、HLA_LOH（loss of heterozygosity status in HLA-I25，HLA-I25杂合性缺失）、MSI (1:Unstable; 0:Stable_Indeterminate)（microsatellite instability，微卫星不稳定性）。

图1 ICB数据集的原始格式，训练集和测试集分别在2个sheet中

OML 重现ICB数据集的RF16模型的参数设置

OML有7个模块（见图2），模块均在左边栏呈现，现在依次设置7个模块的参数来重现ICB数据集的RF16模型（见图3），其中模块3和模块4无需设置任何参数，图3未展示这两个模块。

图2 OML网页布局展示图，7个模块均在左边栏展示

· STEP 1_Upload Dataset

目前OML已经将ICB数据集作为示例数据集，可以直接选择Example dataset

中的Classification: Immune Checkpoint Blockade。“✅ File loaded successfully!”提示文件上传成功，点击“data preview”，可以预览已上传数据。数据导入成功后，OML可以读入所有列名，后续模块用户只需要点击相关选项即可，不需要再输入任何数据。

· STEP 2_Select Target Variable and Independent Variable

该模块用来设置样本标识符、因变量和自变量（因变量和自变量在统计和机器学习领域有多个名称，用户可查看本模块的说明）。目前OML支持一个因变量和多个自变量的有监督分类和回归模型。根据文献建模思路，这里Sample identifier选择“SAMPLE_ID”。Target variable表示因变量可选择“Response (1:Responder; 0:Non-responder)”。Categorical or Numerical for target variable选择Categorical，表示Target variable是分类型变量，下游将要构建的模型为分类模型。由于原始数据集Response列已经用0表示Non-responder（对照样本，阴性样本），1表示Responder（实验样本，阳性样本），符合机器学习算法输入数据的设置，该模块其它选项直接使用默认值。

· STEP 3_Normalize Dataset

数据无需标准化处理，直接使用默认选项，跳过这一步。

· STEP 4_Feature Selection from Model (Optional)

RF16已经明确了16个特征集，不需要再进行特征筛选，跳过这一步。

· STEP 5_Select Important Features

该模块需要输入机器学习建模所用的特征集，有2种选择方法：multi-selects是可以直接根据OML提供的自变量下拉框选项，依次选择所需特征，适合选择少量特征，比如5个以内；input text comment是允许用户直接输入特征到文本框，适合输入多个特征集，其中每行表示一个特征，注意特征名字必须与上传文件列名保持一致，否则OML因为不能匹配列名而报错。ICB数据集的16个特征可以采用input text comment一次性输入即可。

· STEP 6_Split Data into Training Set and Testing Set

ICB数据集中SAMPLE_ID从8461-8215为训练集，总计1184个样本；SAMPLE_ID从8384-9855为测试集，总计295个样本。为了自定义训练集和测试集，点击“select the specific Sample Identifier for testing set”，然后设置测试集的起始样本编号8384和终止样本编号9855，OML根据样本编号可准确识别训练集和测试集。

· STEP 7_Choose Machine Learning Method

ICB数据集RF16是基于随机森林构建的，文献给出模型最终参数值：n_estimators=1,000，max_depth=8，min_samples_leaf=20 and min_ samples_split=2。本模块算法选择Random Forest Classification，将对应的参数设置为文献给出的值，其它参数使用默认值。直接点击“Submit”,等待几分钟，OML输出多个图标详细的模型性能评估指标结果。

图3 ICB数据集在OML的5个模块参数设置展示

OML 重现ICB数据集的RF16模型结果

OML构建的RF16模型性能结果见图4，图4a分别展示训练集和测试的ROC曲线和PRC曲线，图4b分别展示训练集和测试集的混淆矩阵，图4c展示随机森林模型的特征重要性排序，图4d展示SHAP（SHapley Additive exPlanations）算法计算特征重要性，图5e展示训练集和测试集的AUCROC, Accuracy, Balanced Accuracy, Sensitivity, Specificity, F1 Score, 以及 Precision等模型性能指标。