[論文レビュー] A New Deep Learning and XAI-Based Algorithm for Features Selection in Genomics

Carlo Adornetto, Gianluigi Greco|arXiv (Cornell University)|Mar 29, 2023

Genetics, Bioinformatics, and Biomedical Research被引用数 5

ひとこと要約

本論文は、自己符号化器（AE）を用いて元の特徴空間を変更せずに情報をもつ遺伝子を同定する新規の深層学習および説明可能なAI（XAI）ベースの特徴選択アルゴリズムを提案する。SHAPに基づくカスタムスコアを用いて反復的選択を行う。慢性リンパ球性白血病（CLL）データセット（19,367遺伝子、97例）に適用した結果、特徴を50に削減し、交差検証で100％の分類精度を達成。予後に関する生物学的に意味のある遺伝子を同定した。

ABSTRACT

In the field of functional genomics, the analysis of gene expression profiles through Machine and Deep Learning is increasingly providing meaningful insight into a number of diseases. The paper proposes a novel algorithm to perform Feature Selection on genomic-scale data, which exploits the reconstruction capabilities of autoencoders and an ad-hoc defined Explainable Artificial Intelligence-based score in order to select the most informative genes for diagnosis, prognosis, and precision medicine. Results of the application on a Chronic Lymphocytic Leukemia dataset evidence the effectiveness of the algorithm, by identifying and suggesting a set of meaningful genes for further medical investigation.

研究の動機と目的

• ゲノムデータ解析における高次元性、クラス不均衡、データの異質性の課題に対処すること。
• 深層学習の表現を活用しつつも、解釈可能性を維持する特徴選択手法を開発すること。
• 慢性リンパ球性白血病（CLL）における予後を予測可能な最小限の生物学的に意味のある遺伝子のセットを同定すること。
• 自己符号化器とSHAPベースの説明可能性を統合し、モデルの透明性と特徴の関連性の定量的評価を向上させること。
• 精密医療におけるさらなる医学的調査のための候補遺伝子を同定するフレームワークを提供すること。

提案手法

• 相関行列に基づく階層的クラスタリング手法を用いて、遺伝子を500の初期遺伝子グループにクラスタリングする。
• 各クラスタに対して、元の遺伝子発現プロファイルを再構築するための自己符号化器を訓練し、再構築誤差を用いて冗長な遺伝子をフィルタリングする。
• SHAP値を用いたカスタムXAIスコアを計算し、モデル予測への寄与度に基づいて特徴をランク付けする。
• しきい値ベースの選択（β = 0.85）を用いて、各クラスタから上位の特徴を反復的に選択し、以降の検討対象から除外する。
• 選択された遺伝子サブセット上で最終的なニューラルネットワークを訓練し、特徴重要度の妥当性を検証するために再びSHAP値を計算する。
• モデル訓練の前に、SMOTEを適用して不均衡なクラス（23例がクラス0、74例がクラス1）を再バランスする。

実験結果

リサーチクエスチョン

• RQ1 ハイブリッドな深層学習とXAIアプローチは、予測性能を維持したままゲノム特徴空間を効果的に縮小できるか？
• RQ2 元の空間での次元削減を伴わずに、自己符号化器を用いてクラスタ内での代表的遺伝子をどのように同定できるか？
• RQ3 SHAPベースの特徴選択スコアは、ゲノム分類におけるモデルの解釈性と性能をどの程度向上させるか？
• RQ4 このアルゴリズムは、CLL予後の予測に有用な少数の生物学的に意味のある遺伝子セットを同定できるか？
• RQ5 SHAP値に基づく反復的特徴選択は、繰り返しの各段階でモデルの精度にどのように影響を与えるか？

主な発見

• アルゴリズムは反復的選択により19,367遺伝子を50の情報量のある特徴に削減し、最終モデルで100％の分類精度を達成した。
• 初期段階の反復で上位の性能を示す特徴が順次削除されたため、モデル精度は当初の77.2％から64.3％に低下したが、最終段階で回復した。
• 10分割交差検証において、最終モデルの95％信頼区間は79.1％から92.9％の間であった。
• 選択された50遺伝子は、SHAP値の可視化で強く相関し、強度のパターンを示しており、生物学的関連性を示している。
• 本手法は、高い予測力と解釈可能性を備えた遺伝子セットを同定し、CLL予後のさらなる医学的調査に適している。
• 自己符号化器の再構築誤差とSHAPスコアの統合により、元の特徴空間を変更せずに効果的で解釈可能な特徴選択が可能になった。