[論文レビュー] AI4AI: Quantitative Methods for Classifying Host Species from Avian Influenza DNA Sequence

Woo Yong Choi, Kyu Ye Song+1 more|arXiv (Cornell University)|Feb 26, 2018

Influenza Virus Research Studies参考文献 7被引用数 3

ひとこと要約

本研究では、鳥インフルエンザウイルスのDNA配列から宿主種を分類するための機械学習およびディープラーニングモデルを提案し、生の遺伝子データを用いて確率的出力を得る予測を行う。最良のディープラーニングモデルは、11種の宿主種クラスにおいて、トップ1正答率47%、トップ3正答率82%を達成した。

ABSTRACT

Avian Influenza breakouts cause millions of dollars in damage each year globally, especially in Asian countries such as China and South Korea. The impact magnitude of a breakout directly correlates to time required to fully understand the influenza virus, particularly the interspecies pathogenicity. The procedure requires laboratory tests that require resources typically lacking in a breakout emergency. In this study, we propose new quantitative methods utilizing machine learning and deep learning to correctly classify host species given raw DNA sequence data of the influenza virus, and provide probabilities for each classification. The best deep learning models achieve top-1 classification accuracy of 47%, and top-3 classification accuracy of 82%, on a dataset of 11 host species classes.

研究の動機と目的

• 生のDNA配列データを用いて、鳥インフルエンザの宿主種を定量的に分類する手法を開発すること。
• 発生緊急時における時間のかかる実験室検査への依存を減らし、迅速なサイクリック分類を可能にするために、迅速なインシリコ分類を実現すること。
• 診断の信頼性と意思決定を向上させるために、確率的分類出力を提供すること。
• 多様な11種の宿主種データセットを用いて、機械学習およびディープラーニングモデルの性能を評価すること。
• 宿主種の特定を加速させることで、鳥インフルエンザの発生を早期に検知・対応する支援を行うこと。

提案手法

• 本研究では、鳥インフルエンザウイルスの生のDNA配列を用いてトレーニングされた機械学習およびディープラーニングモデルを採用する。
• 特徴表現は、手動による特徴工学的処理を経ずに、ヌクレオチド配列そのものから得られる。
• 畳み込みニューラルネットワーク（CNN）およびその他のディープラーニングアーキテクチャを用いて、宿主種を予測する配列パターンを抽出する。
• 11種の宿主種からなるデータセットを用い、トップ1およびトップ3の分類正答率という指標でモデルを評価する。
• 各宿主種の予測に対して確率的出力を生成し、不確実性の評価を可能にする。
• 一般化性能の向上を図るために、移植可能なシーケンス表現を活用する。

実験結果

リサーチクエスチョン

• RQ1 事前に生物学的特徴を設計しないで、生の鳥インフルエンザDNA配列から機械学習モデルが正確に宿主種を分類できるか？
• RQ2 11種の鳥類および哺乳類の多様な宿主種において、ディープラーニングモデルの宿主種予測性能はいかほどか？
• RQ3 異なるモデルアーキテクチャにおいて、トップ1およびトップ3の分類正答率はどのように比較されるか？
• RQ4 モデルが出力する確率的出力は、発生状況下での宿主種予測の信頼性を向上させることができるか？
• RQ5 これらのモデルは、緊急対応において時間のかかる実験室検査の必要性をどの程度低減できるか？

主な発見

• 最良のディープラーニングモデルは、11種の宿主種からなるデータセットにおいて、トップ1分類正答率47%を達成した。
• トップ3分類正答率は82%に達し、最も可能性の高い3つの予測を考慮した場合に優れた性能を示している。
• モデルは、複雑な前処理や生物学的前提を必要とせず、生のDNA配列データのみを用いて宿主種を正確に分類できた。
• 各予測に対して確率的出力を生成したため、アウトブレイク状況下でのリスク評価や意思決定支援が可能になった。
• AIを用いた宿主種特定の迅速化の可能性が実証された。
• 本研究は、限られた実験室インfraを有する地域に適用可能なスケーラブルで低リソースな診断ツールの基盤を確立した。