[論文レビュー] Deep IDA: A Deep Learning Method for Integrative Discriminant Analysis of Multi-View Data with Feature Ranking -- An Application to COVID-19 severity

Jiuzhou Wang, Sandra E. Safo|PubMed|Nov 18, 2021

COVID-19 Clinical Research Studies参考文献 31被引用数 4

ひとこと要約

Deep IDA は、多様なオミクス解析法（例えばプロテオミクス、トランスクリプトミクス、メタボロミクス）の間の非線形関係を統合的にモデル化するとともに、COVID-19 の重症度群（ICU vs. 非ICU）を分類するためのディープラーニングフレームワークである。深層ニューラルネットワークを用いて、視覚間の関連性を最大化し、クラス分離を最適化する非線形写像を学習する。同時に、バイオロジカルに解釈可能な分子シグネチャを特定するためのブートストラップベースの特徴順位付け手法を統合し、最先端の手法を上回る分類性能を発揮するとともに、感染症、がん、代謝疾患に関連する経路の有意な上昇を示している。

ABSTRACT

COVID-19 severity is due to complications from SARS-Cov-2 but the clinical course of the infection varies for individuals, emphasizing the need to better understand the disease at the molecular level. We use clinical and multiple molecular data (or views) obtained from patients with and without COVID-19 who were (or not) admitted to the intensive care unit to shed light on COVID-19 severity. Methods for jointly associating the views and separating the COVID-19 groups (i.e., one-step methods) have focused on linear relationships. The relationships between the views and COVID-19 patient groups, however, are too complex to be understood solely by linear methods. Existing nonlinear one-step methods cannot be used to identify signatures to aid in our understanding of the complexity of the disease. We propose Deep IDA (Integrative Discriminant Analysis) to address analytical challenges in our problem of interest. Deep IDA learns nonlinear projections of two or more views that maximally associate the views and separate the classes in each view, and permits feature ranking for interpretable findings. Our applications demonstrate that Deep IDA has competitive classification rates compared to other state-of-the-art methods and is able to identify molecular signatures that facilitate an understanding of COVID-19 severity.

研究の動機と目的

• 多様なオミクスデータとCOVID-19の重症度の間の複雑な非線形関係をモデル化する上で、線形および非監視型のマルチビュー手法に見られる限界を克服すること。
• 複数のビュー間の関連性を最大限に高めるとともに、疾患群（ICU 対 非ICU）間の分離を同時に最適化するワンステップのディープラーニング手法を開発すること。
• 非線形マルチビュー学習フレームワークに特徴順位付けを統合し、同定された分子シグネチャの生物学的解釈可能性を高めること。
• 多様なオミクス研究に一般的に見られる高次元・小標本サイズの状況における分類性能を向上させること。

提案手法

• Deep IDA は、各オミクスビューを低次元表現に非線形に変換するための深層ニューラルネットワークを用いる。
• 変換されたビュー間の線形相関を最大化するとともに、各ビュー内での線形分離を同時に最大化する最適化問題を定式化する。
• ブートストラップベースのリサンプリング手法を用いて、ビュー間関連性およびクラス分離に寄与する特徴の寄与度を順位付けし、解釈可能な特徴選択を可能にする。
• Python で実装されており、2段階のプロセスを含む：まず、リサンプリングにより上位特徴を抽出；次に、これらの特徴に基づいて新たな深層モデルを訓練し、最終的な低次元表現を生成する。
• 二値またはカテゴリカルなアウトカムをサポートしており、他のアウトカムタイプへの拡張も可能である。
• シミュレーションと、COVID-19患者からの実際の多様なオミクスデータへの応用を通じて、最先端の手法と比較して検証されている。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングフレームワークは、従来の線形または非監視型手法よりも、複数のオミクスビュー間の非線形関連性を統合的にモデル化し、疾患重症度をより効果的に分類できるか？
• RQ2 どの分子特徴（タンパク質、代謝物、転写産物）がビュー間関連性およびCOVID-19患者群の分離に最も寄与しているか？
• RQ3 提案された特徴順位付け手法は、COVID-19重症度の分子的構造を説明する生物学的に意味のあるシグネチャを同定できるか？
• RQ4 Deep IDA は、多様なオミクスデータに一般的に見られる高次元・小標本サイズの環境で、どのように性能を発揮するか？
• RQ5 上位順位の特徴に集積された生物学的経路は何か？ それらはSARS-CoV-2の病原性の既知のメカニズムと一致するか？

主な発見

• Deep IDA は、高次元・小標本サイズの状況においても、最先端の線形および非線形手法と比較して競争力のある分類精度を達成した。
• 本手法は、ICU と非ICU のCOVID-19患者をより効果的に区別する上位順位の分子群（タンパク質、代謝物、転写産物）を効果的に同定した。
• 上位順位の特徴のエンリッチメント解析から、がん、神経疾患、感染症、代謝疾患関連の経路との有意な関連が明らかになった。
• ブートストラップベースの特徴順位付け手法により、モデル性能を超えた生物学的洞察を可能にする安定的かつ解釈可能な特徴重要度スコアが得られた。
• ブートストラップ再試行においても上位特徴は一貫しており、脂質輸送および免疫調節異常に関与する分子が強調された。これは、重症COVID-19における先行研究と整合的であった。
• シミュレーションおよび実データ応用において、本手法は高いロバストネスを示し、疾患重症度の主要な分子駆動要因のさらなる実験的検証を支援する可能性を秘めている。