Überblick
Die Merkmalauswahl ist der Prozess der Identifizierung der relevantesten Eingabevariablen für die Erstellung prädiktiver Modelle. In der Bioinformatik enthalten Datensätze oft Zehntausende von Merkmalen (Gene, Varianten, Metaboliten) bei relativ wenigen Proben, ein Szenario, das als Fluch der Dimensionalität bekannt ist. Die Reduzierung dieses Merkmalsraums mildert Überanpassung, beschleunigt das Training und erzeugt interpretierbarere Modelle, die direkt zugrundeliegende biologische Mechanismen aufdecken können. Computergestützte Werkzeuge implementieren eine Vielzahl von Auswahlstrategien, die auf unterschiedliche Datenskalen und biologische Ziele zugeschnitten sind.
Methoden
Filtermethoden bewerten Merkmale unabhängig vom Lernmodell unter Verwendung statistischer Maße wie Pearson-Korrelation, Transinformation, χ²-Test oder ANOVA. Wrapper-Methoden bewerten Merkmalsuntergruppen durch iteratives Trainieren und Evaluieren eines Modells, wobei Vorwärtsauswahl, Rückwärtselimination oder rekursive Merkmalseliminierung zum Einsatz kommen. Eingebettete Methoden führen die Merkmalauswahl während des Modelltrainings durch, mittels LASSO- oder Ridge-Regularisierung oder über Entscheidungsbaum-basierte Merkmalswichtigkeitswerte. Dimensionsreduktionsansätze wie PCA, t-SNE und UMAP transformieren die ursprünglichen Merkmale in einen niedrigerdimensionalen Raum, wobei oft maximale Varianz erhalten bleibt, während direkte Interpretierbarkeit verloren geht.
Praktisches Protokoll
Ein Merkmalauswahl-Workflow für Genexpressionsdaten beginnt mit einer normalisierten Matrix von 20.000 Genen × 200 Proben. Der Forscher filtert zunächst Gene mit niedriger Varianz heraus, indem er solche unter dem 10. Perzentil über alle Proben entfernt, wodurch der Raum auf etwa 10.000 Gene reduziert wird. Ein moderierter t-Test oder eine einfaktorielle ANOVA wird angewendet, und die Gene werden nach p-Wert sortiert. LASSO mit L1-Regularisierung wird unter Verwendung einer 10-fachen Kreuzvalidierung ausgeführt, um den optimalen Lambda-Wert auszuwählen, wobei typischerweise lambda.1se gewählt wird, um ein spärliches Modell mit weniger Merkmalen zu erhalten. Die ausgewählten Merkmale, oft 30–50 Gene, werden auf biologische Relevanz mittels Gen-Ontologie-Anreicherung und Literaturvergleich untersucht. Eine Support-Vektor-Maschine (SVM) wird nur mit den ausgewählten Merkmalen trainiert und erreicht typischerweise 85–90 % Klassifikationsgenauigkeit auf externen Validierungsdaten, im Vergleich zu 70–75 % bei Verwendung aller Merkmale. Die rekursive Merkmalseliminierung mit SVM bestätigt die Rangfolge: Die Genauigkeit beginnt nach Entfernung der 25 wichtigsten Gene zu sinken, was die Bedeutung der ausgewählten Teilmenge validiert. Die 10 wichtigsten Merkmale werden in einer Heatmap mit Gruppenannotationen visualisiert, und Likelihood-Quotienten werden für jedes Merkmal berechnet, um den Biologen in der Zusammenarbeit umsetzbare Erkenntnisse zu liefern. Ein Beispiel ist eine Brustkrebs-Subtypisierungsstudie, bei der die Merkmalauswahl ein Panel von 500 Genen auf 14 Signaturgene reduzierte und eine Sensitivität und Spezifität von über 90 % an unabhängigen Biopsieproben erreichte. Das 14-Gen-Panel wurde mittels qPCR an weiteren 500 klinischen Proben validiert und zeigte, dass die ausgewählten Gene Schlüssel-Biologiewege, Proliferation, Immunantwort und Östrogenstoffwechsel, abbildeten und mit den Überlebensergebnissen der Patienten korrelierten.
Anwendungen
Merkmalauswahl identifiziert Biomarker-Panels für die Krankheitsdiagnose aus DNA-Microarray- und qPCR-Daten, priorisiert kausale Varianten in genomweiten Assoziationsstudien (GWAS) und reduziert Bilddimensionen in der Mikroskopie- und Histopathologie-Analyse.
