[論文レビュー] Disease Classification in Metagenomics with 2D Embeddings and Deep Learning

Thanh Hai Nguyen, Edi Prifti+3 more|arXiv (Cornell University)|Jun 23, 2018

Genomics and Phylogenetic Studies参考文献 2被引用数 22

ひとこと要約

この論文は、分類に適した畳み込みニューラルネットワーク（CNN）を用いた深層学習分類を可能にするために、系統的およびt-SNE埋め込みを用いてメタゲノムの豊度データを2次元の合成画像に変換するメソッドMet2Imgを提案する。12のベンチマークデータセットにおいて、ランダムフォレストやSVMを著しく上回る最先端の性能を達成しており、特にヒートマップ色のカラーマップを用いたFill-upバイニングによって系統的情報を統合した場合に顕著な向上が見られる。

ABSTRACT

Deep learning (DL) techniques have shown unprecedented success when applied to images, waveforms, and text. Generally, when the sample size ($N$) is much bigger than the number of features ($d$), DL often outperforms other machine learning (ML) techniques, often through the use of Convolutional Neural Networks (CNNs). However, in many bioinformatics fields (including metagenomics), we encounter the opposite situation where $d$ is significantly greater than $N$. In these situations, applying DL techniques would lead to severe overfitting. Here we aim to improve classification of various diseases with metagenomic data through the use of CNNs. For this we proposed to represent metagenomic data as images. The proposed Met2Img approach relies on taxonomic and t-SNE embeddings to transform abundance data into "synthetic images". We applied our approach to twelve benchmark data sets including more than 1400 metagenomic samples. Our results show significant improvements over the state-of-the-art algorithms (Random Forest (RF), Support Vector Machine (SVM)). We observe that the integration of phylogenetic information alongside abundance data improves classification. The proposed approach is not only important in classification setting but also allows to visualize complex metagenomic data. The Met2Img is implemented in Python.

研究の動機と目的

• 従来の深層学習が過学習のため失敗する高次元・小標本サイズのメタゲノムデータに対する課題に対処すること。
• 豊度データを畳み込みニューラルネットワークに適した視覚的表現に変換することで、メタゲノムにおける疾患分類の精度を向上させること。
• Fill-up、t-SNE、およびQTFの異なる埋め込みおよびバイニング戦略が、情報豊富な2次元画像表現を生成する効果を評価すること。
• 系統的知識を表現学習プロセスに統合することで、分類性能を向上させること。
• 複雑なメタゲノムデータ解析のための可視化可能で解釈可能なフレームワークを提供すること。

提案手法

• 系統的階層に従って特徴を整理し、豊度に基づいて色を割り当てるFill-upバイニングを用いて、メタゲノムの豊度データ（種または属レベル）を2次元の画像に変換する。
• 高次元の豊度ベクトルを2次元空間に射影することで、局所構造を保持したまま次元削減を実行するt-SNEを適用し、画像生成に用いる。
• 3つのバイニング手法（種ベースバイニング（SPB）、分位数ベースバイニング（QTF）、割合表現（PR））を用いて合成画像を生成し、さまざまなカラーマップ（ヒートマップ、グレースケール、ブラック/ホワイト）を適用する。
• 生成された画像に対して2次元畳み込みニューラルネットワーク（CNN）および全結合（FC）ネットワークを訓練・評価し、疾患分類を実施する。
• データ漏洩を防ぎ、過学習を回避するため、画像表現の構築に訓練データのみを用いる。
• 5分割のストラティファイド交差検証を繰り返し実行し、独立したデータセットを用いた外部検証を実施して性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 メタゲノムの豊度データを2次元の合成画像に変換することで、従来の機械学習手法に比べ、深層学習ベースの疾患分類性能が向上するか？
• RQ2 Fill-upバイニングによる系統的構造の統合が、t-SNEベースやランダムバイニングに比べ、分類性能を向上させるか？
• RQ3 Fill-up、t-SNE、QTFの異なる画像生成戦略とヒートマップ、グレースケール、ブラック/ホワイトのカラースキームが、メタゲノムデータにおけるCNNの性能に与える影響は何か？
• RQ4 2次元画像表現による性能向上は、種や属の豊度が異なる複数の疾患タイプおよびデータセットにおいて一貫して見られるか？
• RQ5 提案手法は、Ph-CNN や MetAML などの最先端モデルに比べ、ベンチマークメタゲノムデータセットで優れた結果を達成できるか？

主な発見

• Met2Imgは12のベンチマークデータセットにおいて、ランダムフォレストやSVMを著しく上回り、Fill-upとヒートマップ画像を用いたCNNモデルが内部検証で平均MCC 0.616という最高値を記録した。
• ヒートマップカラーマップを用いたFill-upバイニングは、t-SNEベースの画像を上回り、3つのデータセット（CIR、IBD、OBE）で顕著な向上を示し、他のデータセットでも同等の結果を達成した。
• グレースケール画像ではFill-upバイニングを用いたCNNモデルがFCモデルを上回ったが、カラー画像ではFCモデルがCNNモデルを上回った。これは、モデルアーキテクチャと画像タイプとの相互作用を示している。
• SokolラボのIBDデータセットでは、Met2ImgがFill-upおよびQTFを用いて6つの外部検証セットのうち5つでPh-CNNを上回り、MCCスコアは0.930（CDf）、0.868（CDr）、0.919（iCDf）、0.580（iCDr）、0.826（UCf）、0.777（UCr）を記録した。
• SPBベースのFill-upバイニングは、2つのIBDサブタイプ（CDfおよびiCDf）で外部MCCスコア1.000を達成し、堅牢性と高い予測能力を示した。
• Fill-upバイニングにおける系統的知識の統合により、特徴の可視性が向上し重複が減少したため、より解釈可能で効果的な表現が得られた。