[論文レビュー] Clustering microbiome data using mixtures of logistic normal multinomial models

Yuan Fang, Sanjeena Subedi|arXiv (Cornell University)|Nov 12, 2020

Bayesian Methods and Mixture Models参考文献 58被引用数 4

ひとこと要約

本稿では、変分ガウス近似（VGA）を用いたロジスティック正規多項分布混合モデルを用いて、マクロバイオームの構成的データのモデルベースクラスタリング手法を提案する。相対割合を加法的対数比変換し、潜在変数の事後分布をガウス分布で近似することで、MCMCに比べ計算負荷を低減し、シミュレートされたデータおよび実データ（フェレッティ口腔マクロバイオームおよびシーアデータセット）において高精度なクラスタリングを実現する。

ABSTRACT

Discrete data such as counts of microbiome taxa resulting from next-generation sequencing are routinely encountered in bioinformatics. Taxa count data in microbiome studies are typically high-dimensional, over-dispersed, and can only reveal relative abundance therefore being treated as compositional. Analyzing compositional data presents many challenges because they are restricted on a simplex. In a logistic normal multinomial model, the relative abundance is mapped from a simplex to a latent variable that exists on the real Euclidean space using the additive log-ratio transformation. While a logistic normal multinomial approach brings in flexibility for modeling the data, it comes with a heavy computational cost as the parameter estimation typically relies on Bayesian techniques. In this paper, we develop a novel mixture of logistic normal multinomial models for clustering microbiome data. Additionally, we utilize an efficient framework for parameter estimation using variational Gaussian approximations (VGA). Adopting a variational Gaussian approximation for the posterior of the latent variable reduces the computational overhead substantially. The proposed method is illustrated on simulated and real datasets.

研究の動機と目的

• 高次元で過分散が強く、構成的であるマクロバイオームカウントデータのクラスタリングに直面する課題に対処すること。
• 特にMCMCによるパラメータ推定を用いる場合に高い計算コストを要する、ロジスティック正規多項分布モデルにおけるベイズ推論の課題を克服すること。
• マクロバイオームデータの構成的性質を保ちながら、スケーラブルなモデルベースクラスタリングフレームワークを構築すること。
• 変分近似を用いて、高次元設定における効率的な推定とクラスタリングを可能にすること。
• 既知のグループ構造を有する実データおよびシミュレートデータ上で、本手法の性能を示すこと。

提案手法

• 単体制約付きデータを加法的対数比変換により実ユークリッド空間に写像し、相対割合をロジスティック正規多項分布でモデル化する。
• マクロバイオームデータ内の潜在的なクラスタ構造を捉えるために、有限混合のロジスティック正規多項分布モデルを採用する。
• 潜在変数の事後分布を近似するために、変分ガウス近似（VGA）を用い、計算コストの高いMCMCサンプリングに代わる。
• クラスタ割り当ての推定とVGAによるモデルパラメータの更新を交互に繰り返す一般化期待最大化（GEM）アルゴリズムを実装する。
• 次元削減を図りながら構成的整合性を保つために、特徴選択にALDEx2を適用する。
• 高次元設定における正則化を考慮し、潜在空間における共分散行列の逆行列を用いて、タキサ間の依存関係をモデル化する。

実験結果

リサーチクエスチョン

• RQ1 ロジスティック正規多項分布混合モデルは、マクロバイオームデータにおける真の潜在クラスタ構造を効果的に回復できるか？
• RQ2 MCMCベースの推論と比較して、提案手法の変分ガウス近似は、計算効率およびクラスタリング精度の面でどのように優れているか？
• RQ3 特徴選択（例：ALDEx2や上位優位なタキサ）が、低次元および高次元設定におけるクラスタリング性能に与える影響は何か？
• RQ4 既知の生物学的グループ構造を有する実世界のマクロバイオームデータセットにおいて、本手法はどの程度の性能を示すか？
• RQ5 回帰拡張を用いて、環境的または生物学的共変量をモデルに組み込むことは可能か？

主な発見

• 提案手法は、パラメータの推定が真の値に近く、一貫性と頑健性を示すシミュレートデータにおいて高いクラスタリング精度を達成した。
• フェレッティ口腔マクロバイオームデータセットでは、最も差別的に豊富な属を用いた場合、調整ランダムインデックス（ARI）が0.85に達し、最も豊富なタキサのみを用いたモデルを著しく上回った。
• シーアデータセットでは、2成分モデルがARI 0.05を達成し、48サンプル中18サンプルが誤分類された。これは、低サンプルサイズ設定における中程度の性能を示している。
• atlas1006データセットでは、ARIが0.002に留まり、このデータセットにはクラスタリング信号が限定的または高次元性に起因する複雑さがあると考えられる。
• ALDEx2を用いた差別的に豊富なタキサの使用は、最も豊富なタキサのみを用いた場合よりも著しく優れたクラスタリング性能を示した。これは、特徴選択の重要性を強調している。
• 変分ガウス近似フレームワークにより、MCMCに比べて計算コストが顕著に低減され、高次元マクロバイオームデータへのスケーラビリティが実現された。