[論文レビュー] Gene Network Reconstruction using Global-Local Shrinkage Priors

Gwenaël G. R. Leday, Mathisca C. M. de Gunst+4 more|arXiv (Cornell University)|Oct 13, 2015

Gene expression and cancer classification参考文献 35被引用数 2

ひとこと要約

本稿では、共役事前分布と変分推論を用いてチューニングを必要とせず高速かつ安定した推定を可能にする、グローバル・ローカル縮約事前分布を備えたベイジアン同時方程式モデルを提案する。この手法は、局所正則化パラメータのグローバル縮約により遺伝子間で強みを共有することで、エッジ検出の精度と再現性を向上させ、シミュレーションおよび実データにおいてスパース手法を上回る性能を発揮する。

ABSTRACT

Reconstructing a gene network from high-throughput molecular data is often a challenging task, as the number of parameters to estimate easily is much larger than the sample size. A conventional remedy is to regularize or penalize the model likelihood. In network models, this is often done locally in the neighbourhood of each node or gene. However, estimation of the many regularization parameters is often difficult and can result in large statistical uncertainties. In this paper we propose to combine local regularization with global shrinkage of the regularization parameters to borrow strength between genes and improve inference. We employ a simple Bayesian model with non-sparse, conjugate priors to facilitate the use of fast variational approximations to posteriors. We discuss empirical Bayes estimation of hyper-parameters of the priors, and propose a novel approach to rank-based posterior thresholding. Using extensive model- and data-based simulations, we demonstrate that the proposed inference strategy outperforms popular (sparse) methods, yields more stable edges, and is more reproducible.

研究の動機と目的

• パrameter数が標本サイズを上回る高次元遺伝子ネットワーク推定の課題に対処すること。
• 局所正則化と正則化パラメータのグローバル縮約を組み合わせることで、推定の安定性と再現性を向上させること。
• 再サンプリングや交差検証を用いずにハイパーパramータチューニングを必要としない計算効率の良い手法を開発すること。
• 新しいランクベースの事後閾値処理アプローチを用いて、ガウスグラフィカルモデルにおける頑健なエッジ選択を可能とすること。

提案手法

• 各遺伝子を他の全遺伝子で回帰する同時方程式モデル（SEMs）を用い、ネットワーク回復を変数選択問題として定式化する。
• スパースでない共役事前分布（例：ノーマル・ガンマ）を適用し、高速な変分事後分布近似を可能にする。
• グローバル・ローカル縮約事前分布を実装：遺伝子ごとの局所縮約に加え、遺伝子間で全体の縮約を実現し、強みを共有する。
• 変分EM型アルゴリズムを用いてハイパーパramータのエムピリカルベイズ推定を実施する。
• 全事後分布推定後にエッジ選択を実行するための、新しいランクベースの事後閾値処理手法を導入する。
• 計算の高速化とスケーラビリティを確保するため、SVD分解を活用する。

実験結果

リサーチクエスチョン

• RQ1 局所正則化パラメータのグローバル縮約は、遺伝子ネットワークにおけるエッジ検出の安定性と再現性を向上させるか？
• RQ2 グローバルおよびローカル縮約を組み合わせることで、高次元設定において標準的なスパース手法よりも優れた性能が得られるか？
• RQ3 共役事前分布を用いた完全なベイジアンアプローチは、交差検証や再サンプリングを必要とせず、競争力のある性能を発揮できるか？
• RQ4 提案されたランクベースの閾値処理手法は、従来のスパarsity誘導型ペナルティと比較して、エッジ回復において優れているか？

主な発見

• 提案手法は、低次元・中次元・高次元のシミュレーション設定において、代表的なスパース手法（例：グラフィカルlasso）を上回るエッジ検出精度を達成する。
• グローバル縮約により推定不確実性が低減されるため、特に実データ応用においてより安定的かつ再現性の高いネットワーク構造が得られる。
• 変分EM型アルゴリズムによるハイパーパラメータのエムピリカルベイズ推定により、交差検証や再サンプリングに依存せずに効率的な計算が可能になる。
• ランクベースの事後閾値処理手法は、事前分布レベルでのスパarsityを強制せず、柔軟性と性能の向上を実現した。
• SVDに基づく近似と共役事前分布のおかげで計算効率が維持され、中規模の遺伝子ネットワークへのスケーラビリティが確保された。