[論文レビュー] DeepQuality: Mass Spectra Quality Assessment via Compressed Sensing and Deep Learning

Chunwei Ma|arXiv (Cornell University)|Oct 31, 2017

Advanced Proteomics Techniques and Applications参考文献 5被引用数 6

ひとこと要約

DeepQualityは、深層学習と圧縮センシングを組み合わせた手法を用いて、質量分析データの品質評価を自動化するものであり、2つの公開されたタンデムMSデータセットにおいてAUCスコア0.96および0.92を達成し、SpectrumQuality v2.0のAUC 0.85および0.91を大きく上回る。

ABSTRACT

Motivation: Mass spectrometry-based proteomics is among the most commonly used methods for scrutinizing proteomic profiles in different organs for biological or medical researches. All the proteomic analyses including peptide/protein identification and quantification, differential expression analysis, biomarker discovery and so on are all based on the matching of mass spectra with peptide sequences, which is significantly influenced by the quality of the spectra, such as the peak numbers, noisy peaks, signal-to-noise ratios, etc. Hence, it is crucial to assess the quality of the spectra in order for filtering and/or post-processing after identification. The handcrafted features representing spectra quality, however, need human expertise to design and are difficult to optimize, and thus the existing assessing algorithms are still lacking in accuracy. Thus, there is a critical need for the robust and adaptive algorithm for mass spectra quality assessment. Results: We have developed a novel mass spectrum assessment software DeepQuality, based on the state-of-the-art compressed sensing and deep learning algorithms. We evaluated the algorithm on two publicly available tandem MS data sets, resulting in the AUC of 0.96 and 0.92, respectively, a significant improvement compared with the AUC of 0.85 and 0.91 of the existing method SpectrumQuality v2.0. Availability: Software available at https://github.com/horsepurve/DeepQuality

研究の動機と目的

• 手動で設計された特徴量の限界に対処するため、専門家による設計が必要で最適化が難しい質量分析の品質評価特徴量の問題を解決すること。
• 高品質な質量スペクトルを識別する精度を向上させる、堅牢で適応性のあるアルゴリズムを開発すること。
• 生のスペクトルデータからのエンド・ツー・エンド学習を活用することで、手作業による特徴量設計への依存を低減すること。
• 低品質なスペクトルの効果的なフィルタリングと後処理を可能にすることで、下流のプロテオミクス解析を向上させること。

提案手法

• 本手法は、次元削減を実現しつつも主要な特徴を保持するように、質量スペクトルデータを効率的に表現するために圧縮センシングを採用する。
• 深層ニューラルネットワークを、圧縮されたスペクトル表現上でエンド・ツー・エンドに学習させ、品質スコアを予測する。
• 手動による特徴抽出を回避するため、データから直接判別可能なパターンをモデルが学習する。
• ラベル付きスペクトルを用いた教師あり学習により、スペクトル品質分類のためのアーキテクチャを最適化する。
• 一般化性能の向上と過学習の低減を図るため、圧縮センシングから得られるスパarsity制約を統合する。
• 再現性と堅牢性を確保するため、2つの公開済みタンデムMSデータセットを用いてフレームワークを検証する。

実験結果

リサーチクエスチョン

• RQ1 圧縮されたスペクトル表現上で学習された深層学習モデルは、従来の手作業特徴量ベースの手法よりも、品質評価において優れた性能を示せるか？
• RQ2 圧縮センシングと深層学習を統合することで、次元削減された空間内でもスペクトル品質情報が効果的に保持されるか？
• RQ3 提案手法は、ノイズやピーク特性が異なる複数のタンデムMSデータセットに、どの程度一般化可能か？
• RQ4 エンド・ツー・エンド学習アプローチにより、専門家が設計した特徴量への依存が低下し、分類精度が向上するか？

主な発見

• DeepQualityは、最初の公開タンデムMSデータセットでAUC 0.96を達成し、SpectrumQuality v2.0のAUC 0.85を顕著に上回った。
• 2番目のデータセットでは、DeepQualityがAUC 0.92を達成し、SpectrumQuality v2.0のAUC 0.91を上回った。
• 手作業による特徴量チューニングなしに、多様なスペクトル状態において優れた耐障害性と一般化性能を示した。
• 圧縮センシングと深層学習の統合により、計算負荷を低減しつつも高精度な品質評価が可能になった。
• 結果から、生データに対するエンド・ツー・エンドの深層学習が、従来の特徴量ベースのアプローチよりも、スペクトル品質のパターンをより効果的に捉えることが確認された。