[論文レビュー] Fast estimation of posterior probabilities in change-point models through a constrained hidden Markov model

The-Minh Luong, Yves Rozenholc+1 more|arXiv (Cornell University)|Mar 20, 2012

Genomic variations and chromosomal abnormalities参考文献 33被引用数 11

ひとこと要約

本稿では、SNPアレイからのコピー数変異（CNV）を含む大規模なゲノムデータにおける変化点の事後確率を正確かつ線形時間で計算できる制約付き隠れマルコフモデル（HMM）を提案する。セグメントベースの制約をHMMフレームワークに適応させることで、O(Kn)の計算複雑度を達成し、二次的メソッドよりも著しく高速化しながら、ベイジアンMCMCと同等の精度を維持する。これにより、高分解能CNV解析における効率的な不確実性の評価が可能になる。

ABSTRACT

The detection of change-points in heterogeneous sequences is a statistical challenge with applications across a wide variety of fields. In bioinformatics, a vast amount of methodology exists to identify an ideal set of change-points for detecting Copy Number Variation (CNV). While considerable efficient algorithms are currently available for finding the best segmentation of the data in CNV, relatively few approaches consider the important problem of assessing the uncertainty of the change-point location. Asymptotic and stochastic approaches exist but often require additional model assumptions to speed up the computations, while exact methods have quadratic complexity which usually are intractable for large datasets of tens of thousands points or more. In this paper, we suggest an exact method for obtaining the posterior distribution of change-points with linear complexity, based on a constrained hidden Markov model. The methods are implemented in the R package postCP, which uses the results of a given change-point detection algorithm to estimate the probability that each observation is a change-point. We present the results of the package on a publicly available CNV data set (n=120). Due to its frequentist framework, postCP obtains less conservative confidence intervals than previously published Bayesian methods, but with linear complexity instead of quadratic. Simulations showed that postCP provided comparable loss to a Bayesian MCMC method when estimating posterior means, specifically when assessing larger-scale changes, while being more computationally efficient. On another high-resolution CNV data set (n=14,241), the implementation processed information in less than one second on a mid-range laptop computer.

研究の動機と目的

• 大規模なゲノムデータセット、特に高スループットシーケンシングデータにおける変化点位置の正確な事後確率推定の計算不能性に対処すること。
• 既存の正確な手法（例：O(Kn²)）が10万点を超えるデータセットへの応用を妨げる二次的複雑度を克服すること。
• 精度を損なわずに変化点位置の不確実性を評価するためのベイジアンMCMCおよび漸近的手法の計算効率の良い代替手段を提供すること。
• 疾患関連遺伝的変異の同定に不可欠な高分解能CNVデータにおける変化点位置の実用的な信頼区間推定を可能にすること。
• 任意の変化点検出アルゴリズムからの初期セグメンテーションを入力とすることで、従来のセグメンテーション結果の解釈性を向上させる。

提案手法

• セグメントベースの変化点モデルを模倣する制約付きHMMを定式化し、各セグメントが単一のパラメータ値に対応するように制約を課すことで、標準的なセグメンテーションフレームワークと整合性を保つ。
• 制約付きHMMに前向き後ろ向きアルゴリズムを適用し、P(S|X;θ)の事後分布をO(Kn)時間で計算する。ここでKはセグメント数、nは系列長を表す。
• HMMの構造を活用して、各位置iが変化点である確率P(S_i = k | X)の周辺事後確率を計算し、観測レベルでの不確実性評価を可能にする。
• 任意の変化点検出アルゴリズムからの初期セグメンテーションを入力とし、効率的に事後確率を計算するRパッケージpostCPを実装する。
• 発生分布gθ(x)を柔軟に指定することで、さまざまなデータタイプ（例：正規分布、ポアソン分布、負の二項分布）に対応可能にし、多様なゲノムデータプラットフォームへの適応を支援する。
• セグメンテーションに一様事前分布を用いることで、尤度にのみ依存した事後分布を保証し、追加の仮定を排除。頻度主義的妥当性を維持しながら、不確実性の評価を可能にする。

実験結果

リサーチクエスチョン

• RQ1 大規模なゲノム配列において、変化点位置の正確な事後確率を線形時間で計算可能か？
• RQ2 制約付きHMM手法の性能は、ベイジアンMCMCと比較して、事後平均推定の精度と計算効率の両面でどう異なるか？
• RQ3 提案手法が高分解能CNVデータにおける変化点位置の信頼区間をどの程度信頼できるものとして提供できるか？
• RQ4 データサイズの増加に伴うスケーリング特性は？特にn > 10,000の観測値を持つデータセットにおいて。
• RQ5 制約付きHMMアプローチは、既存の高速セグメンテーションアルゴリズムと効果的に組み合わせられ、計算負荷を増加させることなく不確実性評価を向上できるか？

主な発見

• 制約付きHMM手法はO(Kn)の計算複雑度を達成し、中程度の性能を持つラップトップでも高分解能CNVデータ（n = 14,241）を1秒未塔で処理可能である。
• 公に利用可能なCNVデータセット（n = 120）において、postCPはベイジアンMCMC手法と同等の損失を示し、特に大規模な変化に対して顕著であった。
• 頻度主義的フレームワークを採用しているため、従来のベイジアン手法よりもやや楽観的な信頼区間を提供するが、高い計算効率を維持している。
• シミュレーションにより、正規分布に従うデータを含む状況において、postCPの事後平均推定値がMCMCの結果と同等またはそれ以上であった。
• RパッケージpostCPは、変化点の完全な結合事後分布を効率的に推定でき、大規模ゲノム応用における実用的な不確実性評価を可能にした。
• 本手法は、ポアソン分布や負の二項分布を含む柔軟な発生分布をサポートしており、正規分布に従わないCNVデータに加え、次世代シーケンシングデータにも適応可能である。