[論文レビュー] Improving generalization of machine learning-identified biomarkers with causal modeling: an investigation into immune receptor diagnostics

Milena Pavlović, Ghadi S. Al Hajj+6 more|arXiv (Cornell University)|Apr 20, 2022

Computational Drug Discovery Methods被引用数 7

ひとこと要約

本論文は、多様な集団における一般化を向上させるために、免疫受容体レパートリー（AIRR）バイオマーカー同定のための機械学習パイプラインに因果モデルを統合することを提案する。交絡因子としての生物学的および実験的要因のなかで安定した不変の関係を同定することで、MLによって同定されたバイオマーカーの頑健性と転送性が向上し、AIRRデータを用いたシミュレーションによってその有効性が示された。

ABSTRACT

Machine learning is increasingly used to discover diagnostic and prognostic biomarkers from high-dimensional molecular data. However, a variety of factors related to experimental design may affect the ability to learn generalizable and clinically applicable diagnostics. Here, we argue that a causal perspective improves the identification of these challenges and formalizes their relation to the robustness and generalization of machine learning-based diagnostics. To make for a concrete discussion, we focus on a specific, recently established high-dimensional biomarker - adaptive immune receptor repertoires (AIRRs). Through simulations, we illustrate how major biological and experimental factors of the AIRR domain may influence the learned biomarkers. In conclusion, we argue that causal modeling improves machine learning-based biomarker robustness by identifying stable relations between variables and by guiding the adjustment of the relations and variables that vary between populations.

研究の動機と目的

• 高次元の免疫受容体レパートリー（AIRRs）に対するMLベースのバイオマーカー同定における一般化の悪さという課題に対処すること。
• シーングィング深度、集団の異質性、免疫レパートリーの多様性といった生物学的および実験的要因がモデルの頑健性に与える影響を特定すること。
• 因果的推論が、誤った相関関係と安定的・転送可能なバイオマーカー信号を区別する役割を形式的に定式化すること。
• 異なる集団間での性能向上を図るための変数選択および調整を支援するフレームワークの構築。
• 因果モデリングがAIRRベースの診断の臨床的応用性をどのように向上させるかを実証すること。

提案手法

• 因果推論フレームワークを用いて、AIRR特徴量、疾患状態、交絡要因の間の関係をモデル化する。
• do計算および構造的因果モデル（SCMs）を用いて、異なる集団間で不変な因果効果を同定する。
• シーングィング深度や集団構造の変動といった多様な実験的条件をシミュレートし、交絡要因下でのモデル挙動を評価する。
• 反事後分析を実装して、トレーニング集団とテスト集団の間での分布シフトに対するモデルの頑健性を評価する。
• 因果発見を下流のMLモデルと統合し、疾患と安定的・因果的関連を持つ特徴量を優先順位付けする。
• 同定された因果構造に基づいて再重み付けまたは再トレーニングを行うことで交絡要因を補正し、一般化性能を向上させる。

実験結果

リサーチクエスチョン

• RQ1 AIRRデータにおける実験的および生物学的要因（例：シーングィング深度、集団構造）は、MLによって同定されたバイオマーカーの一般化をどのように損なうか？
• RQ2 免疫受容体レパートリーのどの特徴量が疾患と因果的に関連しているのか、そしてそれらはどのように誤った相関関係と区別できるか？
• RQ3 どの程度まで因果モデリングが多様な集団間でのMLバイオマーカーの転送性を向上させられるか？
• RQ4 因果構造学習は、診断モデルのための頑健で不変な特徴量の選択をどのように支援できるか？
• RQ5 交絡変数は、MLベースの免疫バイオマーカー同定の信頼性をどの程度損なうか？

主な発見

• 因果モデリングは、シミュレートされた集団間で、免疫受容体特徴量と疾患状態との間の安定的・不変な関係を的確に同定できた。
• 因果補正を施したMLモデルは、標準的なML手法と比較して、分布外の集団への一般化性能が顕著に向上した。
• 因果構造を組み込むことで、シーングィング深度などの技術的アーティファクトに起因する誤った相関関係が効果的に是正された。
• 本アプローチにより、集団特有の特徴量への依存が軽減され、多様なコhort間での転送性が向上した。
• 反事後分析から、因果補正のないモデルは、特に集団が多様な状況下で、未観測の交絡要因に敏感であることが明らかになった。
• 因果発見とMLの統合により、AIRRデータにおける分布シフトが著しく大きい状況下でも、モデルの頑健性が向上した。