[論文レビュー] FluxGAT: Integrating Flux Sampling with Graph Neural Networks for Unbiased Gene Essentiality Classification

Kieren Sharma, Lucia Marucci+1 more|arXiv (Cornell University)|Mar 27, 2024

Machine Learning in BioinformaticsBiochemistry, Genetics and Molecular Biology被引用数 3

ひとこと要約

FluxGAT は、フラックスバランス解析（FBA）における事前定義された目的関数を必要とせず、フラックスサンプリングデータから直接遺伝子必須性を予測するグラフニューラルネットワークを導入する。フラックスサンプリングから得られる代謝反応ネットワークをグラフアテンションネットワーク（GAT）で処理することで、中国hamster卵巣細胞における必須遺伝子の同定において、FBAのほぼ2倍の感度（0.576 対 0.304）を達成し、観測者バイアスを低減するとともに、多様な生物学的系への一般化可能な予測を可能にする。

ABSTRACT

Gene essentiality, the necessity of a specific gene for the survival of an organism, is crucial to our understanding of cellular processes and identifying drug targets. Experimental determination of gene essentiality requires large growth screens that are time-consuming and expensive, motivating the development of in-silico approaches. Existing methods predominantly utilise flux balance analysis (FBA), a constraint-based optimisation algorithm; however, they are fundamentally limited by the necessity of a predefined cellular objective function. This requirement introduces an element of observer bias, as the objective function often reflects the researcher's assumptions rather than the cell's biological goals. Here, we present FluxGAT, a graph neural network (GNN) model capable of predicting gene essentiality directly from graphical representations of flux sampling data. Flux sampling removes the need for objective functions, thereby eliminating observer bias. FluxGAT leverages the unique strengths of GNNs in learning representations of complex relationships within metabolic reaction networks. The success of our approach in predicting experimentally determined gene essentiality, with almost double the sensitivity of FBA, explores the possibility of predicting cellular phenotypes in cases when objectives are less understood. Thus, we demonstrate a method for more general gene essentiality predictions across a broader spectrum of biological systems and environments.

研究の動機と目的

• フラックスバランス解析（FBA）に内在する観測者バイアスを解消すること。FBA は、真の生物学的目標を反映しない可能性のある事前定義された細胞的目標に依存している。
• 仮定された目的に依存せず、内在的なネットワーク構造とフラックス分布データに基づいて遺伝子必須性を予測する機械学習手法を開発すること。
• 目的関数が明確でない非モデル生物や複雑な系において、必須性予測の感度を向上させること。
• グラフニューラルネットワークがフラックスサンプリング分布から効果的に学習し、従来のFBAよりも高い精度で遺伝子必須性を分類できることを示すこと。
• 代謝ネットワークにおけるセルフフェノタイプのより一般化可能で偏りのないインシリコ予測を可能にすること。

提案手法

• フラックスサンプリングを用いて、目的関数を事前定義せずに、妥当な代謝フラックス状態の分布を生成する。
• ノードが反応を表し、エッジが共有する代謝物を表す重み付き代謝反応ネットワークを、フラックスサンプリングデータから構築する。
• グラフアテンションネットワーク（GAT）が、トポロジー的およびフラックスベースの特徴に基づいて、メッセージパッシング機構を用いてノードレベルの埋め込みを学習する。
• ノード特徴量には、化学量論や熱力学的制約などの反応の化学的性質が、GNNの入力に統合される。
• 最終的なノード表現は、シグモイド活性化関数を用いた全結合層に渡され、必須（必須対非必須）の二値分類が行われる。
• モデルは、CRISPRスクリーンから得た既知の必須性ラベルを用いてエンドツーエンドで訓練され、交差検証とFBAとの比較を通じて評価される。

実験結果

リサーチクエスチョン

• RQ1 フラックスバランス解析における事前定義された目的関数の必要性を回避することで、遺伝子必須性の予測感度を向上させられるか？
• RQ2 フラックスサンプリングデータで訓練されたグラフニューラルネットワークは、実験的に決定された遺伝子必須性をFBAと比較してどの程度正確に予測できるか？
• RQ3 内在的なネットワークおよびフラックス特性から学習することで、仮定された目的に依存せず、多様な生物学的系に一般化できるか？
• RQ4 トポロジー的特徴とフラックスベース特徴の両方が、配列またはトポロジーのみに依存する手法よりも、必須性予測をどの程度向上させるか？
• RQ5 GNNにおけるアテンション重みは、反応ネットワーク内に生物学的に意味のある関係をどのように反映しているか？

主な発見

• FluxGAT は iCHO2291 というゲノムスケール代謝モデルにおいて、遺伝子必須性の感度が 0.576 を達成し、FBA の 0.304 と比べてほぼ2倍に向上した。
• FluxGAT は FBA がラベル付けした 41 個の必須遺伝子のうち 32 個を正しく同定し、さらに FBA が見逃した追加の 44 個の必須遺伝子を同定したが、14 個の偽陽性を示した。
• 特異度は 0.977 を維持しており、FBA の 0.985 と同等であり、非必須遺伝子の分類精度が高く保たれていることを示している。
• FluxGAT は偽陰性を FBA の 94 個から 56 個に大幅に削減し、必須遺伝子の再現率（リコール）を向上させた。
• 観測者によって定義された目的に依存せず、フラックス分布から学習することで、非モデル生物への応用を含め、より広範な適用性を持つことが示された。
• FluxGAT のアテンション機構は生物学的に意味のある反応間関係を明らかにし、今後のシステム生物学的応用における解釈可能性の可能性を示唆している。