[論文レビュー] A step towards neural genome assembly

Lovro Vrček, Petar Veličković+1 more|arXiv (Cornell University)|Nov 10, 2020

Genomics and Phylogenetic Studies被引用数 3

ひとこと要約

本論文では、微分可能ニューラル実行を用いて訓練されたグラフニューラルネットワーク（GNN）モデルを提案し、デ・ノボゲノムアセンブリのために、推移的エッジ削除、チップトリミング、バブルポッピングの3つの主要なゲノムグラフ簡略化アルゴリズムを同時に学習・実行する。モデルはスケーリングされた合成グラフ上で99%を超える正確性を達成し、ラムダファージやE. coliゲノムを含む実世界のデータに対しても強力な一般化性能を示し、98–99%の正確性を達成した。これはエンドツーエンドのニューラルゲノムアセンブリへの顕著な一歩である。

ABSTRACT

De novo genome assembly focuses on finding connections between a vast amount of short sequences in order to reconstruct the original genome. The central problem of genome assembly could be described as finding a Hamiltonian path through a large directed graph with a constraint that an unknown number of nodes and edges should be avoided. However, due to local structures in the graph and biological features, the problem can be reduced to graph simplification, which includes removal of redundant information. Motivated by recent advancements in graph representation learning and neural execution of algorithms, in this work we train the MPNN model with max-aggregator to execute several algorithms for graph simplification. We show that the algorithms were learned successfully and can be scaled to graphs of sizes up to 20 times larger than the ones used in training. We also test on graphs obtained from real-world genomic data---that of a lambda phage and E. coli.

研究の動機と目的

• ヒューリスティックに基づくグラフ簡略化を置き換えることで、デ・ノボゲノムアセンブリの自動化に挑戦する。
• 複数のグラフ簡略化アルゴリズムを同時に学習・実行できる統合的ニューラルフレームワークの開発。
• 訓練データの分布を超えて、より大きなグラフおよび実世界のゲノムデータへのモデルの一般化を示すこと。
• 現在のアセンブラで使用されている手作業によるパラメータやヒューリスティクスへの依存を減らすために、微分可能でデータ駆動型の簡略化手順を導入すること。

提案手法

• 最大アグリゲーターを用いたメッセージパッシングニューラルネットワーク（MPNN）を訓練し、段階的监督を通じてグラフ簡略化アルゴリズムを学習する。
• 各アルゴリズム（推移的削除、チップトリミング、バブルポッピング）を、特定の構造的制約を持つグラフ走査プロセスとしてモデル化する。
• 微分可能なニューラル実行を用いて中間段階を監督し、アルゴリズム論理のエンドツーエンド学習を可能にする。
• 合成グラフ（訓練サイズの20倍までスケーリング）およびラムダファージとE. coliからの実アセンブリグラフにモデルを適用する。
• ノードおよびエッジ特徴量を処理し、エッジ削除の意思決定を予測するために、潜在次元K=32のGRUベースのデコーダーを用いる。
• Adam最適化法を用い、訓練済みの簡略化ルールから得たラベル付きエッジ削除行動の教師あり学習と早期停止を実施する。

実験結果

リサーチクエスチョン

• RQ1 1つのニューラルネットワークが、高い正確性で複数のゲノムグラフ簡略化アルゴリズムを同時に学習・実行できるか？
• RQ2 合成グラフで訓練されたGNNが、生物学的構造が複雑な実世界のゲノムアセンブリグラフにどの程度一般化できるか？
• RQ3 訓練に使用されたグラフよりもはるかに大きなグラフに適用した場合、モデルの性能はどのようにスケーリングするか？
• RQ4 Ravenなどの最先端アセンブラにおけるヒューリスティックベースの簡略化ステップを、モデルが上回るか、あるいは置き換えることができるか？
• RQ5 実ゲノムにおける構造的複雑性（例：未解決のバブル、複雑なチップ）が、モデルの予測正確性に与える影響は何か？

主な発見

• モデルは訓練グラフの20倍のサイズにスケーリングされた合成グラフ上で99%を超える正確性を達成し、強い一般化性能を示した。
• ラムダファージデータ（60ノード）では、推移的エッジ削除で98.04%、チップトリミングで93.33%、バブルポッピングで97.47%の正確性を達成した。
• より大きなE. coliデータ（約3000ノード）では、推移的削除で99.67%、チップトリミングで98.84%、バブルポッピングで99.26%の正確性を達成した。
• ラムダファージのチップトリミングにおいて正確性が低かったのは、訓練アルゴリズムの範囲外の構造的複雑性のためと推定される。
• 3つのアルゴリズムを同時に実行しても高い正確性を維持したため、マルチタスク学習および知識の転送が成功したことが示された。
• 結果から、神経的実行による簡略化アルゴリズムが、特に大きなパス型のグラフにおいて、ヒューリスティックベースのステップを効果的に置き換えることができる可能性が示された。