[論文レビュー] Class-Conditional VAE-GAN for Local-Ancestry Simulation

Daniel Mas Montserrat, Carlos D. Bustamante+1 more|arXiv (Cornell University)|Nov 27, 2019

Generative Adversarial Networks and Image Synthesis参考文献 25被引用数 12

ひとこと要約

本論文は、実際の単一祖先由来のハプロタイプを模倣する合成ヒトゲノム配列を生成するクラス条件付きVAE-GANモデルを提案する。このモデルにより、機微なまたは特許を取得したゲノムデータへのアクセスが制限される状況下でも、局所祖先推定（LAI）ツールのトレーニングが可能となる。本手法は、生成された配列でトレーニングした際のRFMixの精度が97.72%に達し、実際のアフリカ外由来データでトレーニングした際の97.75%にほぼ等しい精度を達成しており、合成データがLAIに有用であることを示している。

ABSTRACT

Local ancestry inference (LAI) allows identification of the ancestry of all chromosomal segments in admixed individuals, and it is a critical step in the analysis of human genomes with applications from pharmacogenomics and precision medicine to genome-wide association studies. In recent years, many LAI techniques have been developed in both industry and academic research. However, these methods require large training data sets of human genomic sequences from the ancestries of interest. Such reference data sets are usually limited, proprietary, protected by privacy restrictions, or otherwise not accessible to the public. Techniques to generate training samples that resemble real haploid sequences from ancestries of interest can be useful tools in such scenarios, since a generalized model can often be shared, but the unique human sample sequences cannot. In this work we present a class-conditional VAE-GAN to generate new human genomic sequences that can be used to train local ancestry inference (LAI) algorithms. We evaluate the quality of our generated data by comparing the performance of a state-of-the-art LAI method when trained with generated versus real data.

研究の動機と目的

• 局所祖先推定（LAI）ツールのトレーニングに必要な、実際の機微な、または特許を取得したゲノムデータへのアクセスが制限される課題に対処する。
• 実際のヒトゲノムデータに類似した合成の単一祖先由来ヘモプリッド配列を生成する生成モデルを開発する。
• 直接的に機微なゲノムデータセットへのアクセスを必要とせずに、RFMixのようなLAIアルゴリズムのトレーニングを、トレーニング済みの生成モデルのみで可能にする。
• 合成データと実データでトレーニングしたLAI手法の下流性能を測定することで、生成データの質を評価する。

提案手法

• クラス条件付き変分オートエンコーダー（VAE）とクラス条件付き生成対抗ネットワーク（GAN）を組み合わせ、祖先特異的なゲノム配列を生成する。
• VAEエンコーダーを用いて入力配列を潜在埋め込み空間にマップし、再構成損失とカルバック・ライブラー・ダイバージェンスを用いて正則化する。
• 潜在コードと祖先ラベルから配列を再構成するデコーダーをトレーニングし、平均二乗誤差と対抗損失を最小化する。
• 本物の配列と生成された配列を区別するためのディスクラミネータネットワークを採用し、リアルさを向上させるためにバイナリクロスエントロピー損失を用いる。
• 潜在空間で標準正規分布の事前分布からサンプリングし、祖先ラベルを用いてデコードすることで、新たな配列を生成する。
• 異なる配列窓に異なる祖先を割り当てることで、混合個体を模倣するウィンドウドアプローチを適用する。

実験結果

リサーチクエスチョン

• RQ1 クラス条件付きVAE-GANは、最先端のLAIツールのトレーニングに十分にリアルなヒトゲノム配列を生成できるか？
• RQ2 GANによる対抗トレーニングを組み込むことで、VAE単体に比べて生成配列の品質がどのように向上するか？
• RQ3 合成データでトレーニングしたLAIの性能が、実際のアフリカ外由来のシミュレート済みデータでトレーニングした場合にどれほど近づくか？
• RQ4 生成モデルは、集団特異的なリカビングパターンや遺伝的相関を保持した配列を生成できるか？

主な発見

• VAE-GANで生成されたデータでトレーニングしたRFMixは、テスト精度97.72%を達成し、実際のアフリカ外由来データでトレーニングした際の97.75%に非常に近い精度を示した。
• VAE単体のベースライン（93.05%のテスト精度）に比べ、VAE-GANモデルは顕著に優れており、対抗トレーニングの価値を示している。
• ディスクラミネータと対抗損失の導入により、生成された配列のリアルさが向上し、LAIタスクにおける下流性能も向上した。
• 本モデルは、各祖先由来で80個の合成ヘモプリッド配列を効果的に生成でき、生成された個体間のペアワイズ相関が低く、重複を避けることができた。
• 本手法により、実際の機微な、または特許を取得したゲノムデータへのアクセスがなくてもLAIツールのトレーニングが可能となり、プライバシーを守る代替手段を提供する。
• 結果は、生成モデルが集団ゲノム学および精密医療の応用分野において、実際のゲノムデータの代用としての可能性を裏付けている。