[論文レビュー] A new method for faster and more accurate inference of species associations from novel community data

Maximilian Pichler, Florian Härtig|arXiv (Cornell University)|Mar 11, 2020

Environmental DNA in Biodiversity Studies参考文献 58被引用数 8

ひとこと要約

本論文では、モンテカルロ統合とエラスティックネット正則化を用いたスケーラブルなJoint Species Distribution Model（sjSDM）を紹介する。この手法はPyTorch上で実装されており、大規模なコミュニティデータセットからの種の関連性推定を高速かつ高精度に行える。従来の手法と比較して、処理速度が桁違いに向上し、eDNAデータ（数千の菌類OTUを含む）に対しても、正確性を維持または向上させる。

ABSTRACT

1. Joint Species Distribution models (JSDMs) explain spatial variation in community composition by contributions of the environment, biotic associations, and possibly spatially structured residual covariance. They show great promise as a general analytical framework for community ecology and macroecology, but current JSDMs, even when approximated by latent variables, scale poorly on large datasets, limiting their usefulness for currently emerging big (e.g., metabarcoding and metagenomics) community datasets. 2. Here, we present a novel, more scalable JSDM (sjSDM) that circumvents the need to use latent variables by using a Monte-Carlo integration of the joint JSDM likelihood and allows flexible elastic net regularization on all model components. We implemented sjSDM in PyTorch, a modern machine learning framework that can make use of CPU and GPU calculations. Using simulated communities with known species-species associations and different number of species and sites, we compare sjSDM with state-of-the-art JSDM implementations to determine computational runtimes and accuracy of the inferred species-species and species-environmental associations. 3. We find that sjSDM is orders of magnitude faster than existing JSDM algorithms (even when run on the CPU) and can be scaled to very large datasets. Despite the dramatically improved speed, sjSDM produces more accurate estimates of species association structures than alternative JSDM implementations. We demonstrate the applicability of sjSDM to big community data using eDNA case study with thousands of fungi operational taxonomic units (OTU). 4. Our sjSDM approach makes the analysis of JSDMs to large community datasets with hundreds or thousands of species possible, substantially extending the applicability of JSDMs in ecology. We provide our method in an R package to facilitate its applicability for practical data analysis.

研究の動機と目的

• メタバーコーディングやメタゲノムデータセットなどの大規模コミュニティデータに対して、従来のJoint Species Distribution Models（JSDMs）が計算的に非現実的である問題に対処する。
• 潜在変数に依存する従来のJSDMsが、種の数や調査地点の増加に伴いスケーラビリティに劣る問題を克服する。
• 種と環境、種と種の関連性の推定精度を維持しつつ、実行時間を著しく短縮する手法を開発する。
• CPUおよびGPUの高速化を実現する現代の機械学習フレームワーク（例：PyTorch）を統合することで、生態学的大規模データへのJSDMの実用的応用を可能にする。

提案手法

• 従来の潜在変数近似を避けるために、JSDMsにおける完全な同時尤度のモンテカルロ統合に置き換えることで、計算上のボトル neck を回避する。
• すべてのモデル構成（環境要因、種の関連性、残差共分散）に柔軟なエラスティックネット正則化を適用し、推定の安定性とスパarsity（スパarsity）を向上させる。
• PyTorchを用いてsjSDMフレームワークを実装し、CPUおよびGPU計算によるハードウェア加速を活用して高性能な推論を実現する。
• JSDMsにおける扱いにくい尤度積分を、モンテカルロサンプリングを用いた確率的最適化で近似することで、スケーラブルな計算を可能にする。
• 多変量正規尤度を仮定した階層ベイズモデルとしてJSDMを定式化し、確率的勾配降下法による変分推論を適用する。
• 罰則付き尤度推定を統合することで、過学習を防ぎ、推定された種の関連性の解釈可能性を高める。

実験結果

リサーチクエスチョン

• RQ1 潜在変数近似に依存しない方法で、大規模コミュニティデータセットに対するJSDMの計算的実行可能性をどのように達成できるか？
• RQ2 シミュレートされたデータにおいて、sjSDMと従来のJSDM実装との間で、種-種および種-環境関連性の推定精度にどのような差が生じるか？
• RQ3 実世界の生態学的データセットにおいて、種の数やサンプリング地点の増加に伴い、sjSDMはどの程度スケーリングするか？
• RQ4 高スループットシーケンシングデータ（例：数千のOTUを含むeDNAメタバーコーディングデータセット）から、sjSDMは有効に生物的関連性を推定できるか？

主な発見

• sjSDMは、CPU単体で実行されても、従来のJSDM実装と比較して処理時間が桁違いに短縮される。
• 高速性を維持しながらも、シミュレートされたコミュニティデータにおいて、他のJSDM手法よりもより正確な種の関連構造を推定する。
• 本手法は大規模データセットにも成功裏にスケーリングでき、1,000以上の菌類オペレーショナル分類単位（OTUs）を含むeDNAケーススタディにも適用可能である。
• 高次元かつノイズの多い条件下でも、種-環境および種-種関連性の推定において高い正確性を維持する。
• エラスティックネット正則化の統合により、高次元生態学的データにおけるモデルの解釈可能性が向上し、過学習が軽減される。
• PyTorchの統合により、CPUおよびGPUでの効率的計算が可能となり、大規模生態学的推論におけるJSDMの実用性が著しく向上する。