[論文レビュー] Deep Learning in Bioinformatics

Seonwoo Min, Byunghan Lee+1 more|arXiv (Cornell University)|Mar 21, 2016

Genetics, Bioinformatics, and Biomedical Research参考文献 194被引用数 21

ひとこと要約

この論文は、バイオインフォマティクスにおけるディープラーニングの応用をレビューし、分野ごとに分類している—オミクス、生物医学的画像処理、信号処理—およびアーキテクチャごとに分類している—ディープニューラルネットワーク、畳み込みニューラルネットワーク（CNNs）、再帰ニューラルネットワーク（RNNs）、そして新たなモデル。データ駆動型の生物学的インサイト生成における最先端のパフォーマンスを強調し、理論的および実用的な課題を提示し、分野に入門する研究者向けの包括的なガイドを提供する。

ABSTRACT

In the era of big data, transformation of biomedical big data into valuable knowledge has been one of the most important challenges in bioinformatics. Deep learning has advanced rapidly since the early 2000s and now demonstrates state-of-the-art performance in various fields. Accordingly, application of deep learning in bioinformatics to gain insight from data has been emphasized in both academia and industry. Here, we review deep learning in bioinformatics, presenting examples of current research. To provide a useful and comprehensive perspective, we categorize research both by the bioinformatics domain (i.e., omics, biomedical imaging, biomedical signal processing) and deep learning architecture (i.e., deep neural networks, convolutional neural networks, recurrent neural networks, emergent architectures) and present brief descriptions of each study. Additionally, we discuss theoretical and practical issues of deep learning in bioinformatics and suggest future research directions. We believe that this review will provide valuable insights and serve as a starting point for researchers to apply deep learning approaches in their bioinformatics studies.

研究の動機と目的

• バイオインフォマティクスにおけるディープラーニングの応用を、主要な分野にわたって包括的にレビューすること。
• 研究者によるアクセス性を高めるために、バイオインフォマティクス分野とディープラーニングアーキテクチャの両面から現在の研究を分類すること。
• 生物学的データにディープラーニングを適用する際の理論的および実用的課題を特定すること。
• ディープラーニングをバイオインフォマティクスワークフローに統合するための今後の研究方向性を提案すること。
• 生物学的データ解析にディープラーニングを適用したい研究者にとっての出発点および参考資料を提供すること。

提案手法

• 分野別（ゲノム（オミクス）、生物医学的画像処理、生物医学的信号処理）に、バイオインフォマティクスにおけるディープラーニングの応用を体系的に分類すること。
• ディープラーニングアーキテクチャの分類：ディープニューラルネットワーク、畳み込みニューラルネットワーク（CNNs）、再帰ニューラルネットワーク（RNNs）、そして出現しつつあるアーキテクチャ。
• 各カテゴリにおける代表的な研究のレビューを行い、モデル設計、データタイプ、パフォーマンス結果を強調すること。
• 解釈可能性、一般化、生物学的文脈におけるデータ不足といった理論的問題の分析。
• 計算リソースの要請、ハイパーパrameterチューニング、バイオインフォマティクスにおけるモデル検証といった実用的課題の議論。
• 現在の制限と新たな機会に基づいて、今後の研究方向性を統合的に提示すること。

実験結果

リサーチクエスチョン

• RQ1 どのようにしてディープラーニングアーキテクチャを、ゲノム、画像処理、信号処理といった多様なバイオインフォマティクス分野に効果的に適用できるか？
• RQ2 特定のバイオインフォマティクスタスクで最先端のパフォーマンスを実現するための主要なアーキテクチャ的選択（例：CNNs、RNNs）は何か？
• RQ3 生物学的データにディープラーニングモデルを展開する際の主な理論的および実用的課題は何か？
• RQ4 現在のディープラーニングモデルは、バイオインフォマティクス応用において、従来の手法と比較して精度と解釈可能性の面でどのように異なるか？
• RQ5 バイオインフォマティクスにおけるディープラーニングを前進させるために、最も有望な今後の研究方向性は何か？

主な発見

• 特にCNNsとRNNsを含むディープラーニングモデルは、遺伝子発現予測、タンパク質構造モデリング、医療画像解析などのタスクで最先端のパフォーマンスを達成している。
• ディープラーニングとオミクスデータの統合により、ゲノムおよびトランスクリプトームデータにおける複雑で非線形的なパターンの同定が可能になった。
• 強力なパフォーマンスにもかかわらず、モデルの解釈可能性、一般化、データ効率性の面で課題が残っており、とくに限られたまたはノイズの多い生物学的データセットでは顕著である。
• 自己オートエンコーダーや生成モデルといった新たなアーキテクチャは、次元削減および生物学的応用におけるデータ生成の分野で有望な兆しを示している。
• 本レビューでは、複数のデータタイプとモデルコンponentを統合するエンドツーエンドの学習パイプラインへの傾向の拡大を特定した。
• 今後の研究は、モデルの透明性の向上、データ依存性の低減、およびバイオインフォマティクスにおけるディープラーニング応用の再現可能性の向上に注力すべきである。