[論文レビュー] Artificial Intelligence for Central Dogma-Centric Multi-Omics: Challenges and Breakthroughs

Lei Xin, Caiyun Huang+9 more|arXiv (Cornell University)|Dec 17, 2024

Bioinformatics and Genomic NetworksBiochemistry, Genetics and Molecular Biology被引用数 3

ひとこと要約

この論文は、中心法則に焦点を当てた多オミクス統合における人工知能（AI）の応用をレビューし、高次元でノイズの多いデータやバッチ効果といった課題に注目しながら、基盤モデル、アテンション機構、および多組織シングルセルデータ統合における革新を強調している。AIは高度なディープラーニングと多オミクスデータ統合を通じて、疾患サブタイピング、バイオマーカー同定、正確な医療の向上を実現している。

ABSTRACT

With the rapid development of high-throughput sequencing platforms, an increasing number of omics technologies, such as genomics, metabolomics, and transcriptomics, are being applied to disease genetics research. However, biological data often exhibit high dimensionality and significant noise, making it challenging to effectively distinguish disease subtypes using a single-omics approach. To address these challenges and better capture the interactions among DNA, RNA, and proteins described by the central dogma, numerous studies have leveraged artificial intelligence to develop multi-omics models for disease research. These AI-driven models have improved the accuracy of disease prediction and facilitated the identification of genetic loci associated with diseases, thus advancing precision medicine. This paper reviews the mathematical definitions of multi-omics, strategies for integrating multi-omics data, applications of artificial intelligence and deep learning in multi-omics, the establishment of foundational models, and breakthroughs in multi-omics technologies, drawing insights from over 130 related articles. It aims to provide practical guidance for computational biologists to better understand and effectively utilize AI-based multi-omics machine learning algorithms in the context of central dogma.

研究の動機と目的

• ゲノタイプからフェノタイプへのリンクや疾患サブタイピングの同定において、単一オミクス手法の限界を克服すること。
• 中心法則（DNA → RNA → プロテイン）に従う多オミクスデータ統合のためのAIおよびディープラーニング手法をレビューすること。
• 多オミクスデータ統合におけるボトルネック、特にバッチ効果、データスパarsity、計算複雑性を特定すること。
• 基盤モデル、アテンション機構、および大規模な生物学的配列におけるスケーラブルな推論の分野における最近の進展を強調すること。
• システム生物学および正確な医療におけるAI駆動の発見を促進するため、オープンで多臓器多オミクスデータセットの構築を提言すること。

提案手法

• 中心法則に従う多オミクス統合におけるAIの応用を対象とした130件以上の研究を体系的レビューし、統合戦略、モデルアーキテクチャ、応用に焦点を当てた。
• 長大な生物学的配列を線形計算量で処理できるように、アテンション機構およびトランスフォーマー型モデル（例：TTT、InstInfer、Mnemosyne）を適用した。
• メトリック学習と統一された埋め込み技術（例：SCimilarity、CELLama）を用いて、解釈可能で種間をまたぐ細胞タイプ比較を可能にした。
• 5000万個以上のシングルセルを含む大規模なシングルセルデータセット（例：scFoundation）を活用し、組織および種間をまたぐ基盤モデルの事前学習を実施した。
• マルチモーダルオートエンコーダーとアテンションベースの統合を用いて、多オミクスデータを統合し、遺伝子調節ネットワークをモデル化した。
• 3次元並列推論戦略（例：Mnemosyne）を採用し、最大1000万件のシーケンスコンテキストをリアルタイムで処理可能にした。

実験結果

リサーチクエスチョン

• RQ1 AIモデルは、中心法則に従う多オミクスデータを効果的に統合することで、疾患サブタイピングやバイオマーカー同定をどのように向上させることができるか？
• RQ2 長大な生物学的配列および多組織シングルセルデータにスケーリングするAIモデルにおいて、主な計算的および生物学的課題は何か？
• RQ3 scFoundation や CELLama などの基盤モデルは、どのように種間および組織間をまたぐ細胞タイプ同定と機能的推論を可能にするか？
• RQ4 アテンション機構および効率的な推論アーキテクチャは、大規模なオミクスモデリングにおけるメモリおよび計算コストをどのように低減するか？
• RQ5 改善されたデータ統合と標準化された免疫レパートリー・データベースは、免疫療法への反応や抗原特異性の予測をどのように向上させるか？

主な発見

• AI駆動の多オミクス統合は、疾患予測の正確性を顕著に向上させ、疾患関連遺伝子座や調節機構の同定を可能にした。
• 5000万個以上のシングルセルサンプルで事前学習された基盤モデル（例：scFoundation）は、組織および種をまたぐ細胞タイプの埋め込みと機能的推論を安定して実現できる。
• TTT や Mnemosyne などのモデルは、16000以上のトークンにまで拡張されたシーケンスモデリングを線形計算量で実現し、長大なゲノムおよびトランスクリプトーム配列のスケーラブルな解析を可能にした。
• メトリック学習に基づく手法（例：SCimilarity）により、形態的および発現プロファイルが類似する細胞を迅速かつ解釈可能な方法で照会できるようになった。
• 進展は見られるものの、未標的代謝産物の約10％しか構造的にアノテートされていないことから、データ完全性の大きなボトルネックが浮き彫りになった。
• 多臓器多オミクスデータセットが大規模かつ公開されていないことが、一般化可能なAIモデルの学習を妨げる主要な障壁であり、特に免疫学および希少疾患分野において顕著である。