[論文レビュー] Learning Causal Representations of Single Cells via Sparse Mechanism Shift Modeling

Romain Lopez, Nataša Tagasovska+4 more|arXiv (Cornell University)|Nov 7, 2022

Single-cell and spatial transcriptomics被引用数 13

ひとこと要約

この論文は、単一細胞RNA-Seqデータにおける遺伝子および化学的干渉を活用して、分離可能で因果的に解釈可能な潜在表現を学習するスパース変分オートエンコーダー（sVAE）を提案する。干渉を潜在変数におけるスパースシフトとしてモデル化し、非定常データを活用することで、ベースライン手法と比較して潜在変数の回復、因果的ターゲット同定、ドメイン外一般化の性能が優れている。シミュレートされたデータおよび実世界の干渉データセットを用い、scvi-toolsライブラリで検証された。

ABSTRACT

Latent variable models such as the Variational Auto-Encoder (VAE) have become a go-to tool for analyzing biological data, especially in the field of single-cell genomics. One remaining challenge is the interpretability of latent variables as biological processes that define a cell's identity. Outside of biological applications, this problem is commonly referred to as learning disentangled representations. Although several disentanglement-promoting variants of the VAE were introduced, and applied to single-cell genomics data, this task has been shown to be infeasible from independent and identically distributed measurements, without additional structure. Instead, recent methods propose to leverage non-stationary data, as well as the sparse mechanism shift assumption in order to learn disentangled representations with a causal semantic. Here, we extend the application of these methodological advances to the analysis of single-cell genomics data with genetic or chemical perturbations. More precisely, we propose a deep generative model of single-cell gene expression data for which each perturbation is treated as a stochastic intervention targeting an unknown, but sparse, subset of latent variables. We benchmark these methods on simulated single-cell data to evaluate their performance at latent units recovery, causal target identification and out-of-domain generalization. Finally, we apply those approaches to two real-world large-scale gene perturbation data sets and find that models that exploit the sparse mechanism shift hypothesis surpass contemporary methods on a transfer learning task. We implement our new model and benchmarks using the scvi-tools library, and release it as open-source software at https://github.com/Genentech/sVAE.

研究の動機と目的

• 潜在変数が直接的な生物学的意味を持たないため、単一細胞ゲノム学における変分オートエンコーダー（VAE）の解釈性の課題に対処すること。
• i.i.d. データからは分離可能な表現の回復が理論的に不可能であるという制限を克服するため、非定常な干渉データを活用すること。
• 各干渉を潜在変数のスパースサブセットを標的とする確率的干渉として扱う深層生成モデルを開発すること。
• 遺伝子調節やシグナル伝達経路などの生物学的に意味のあるプロセスと一致させることで、潜在要因の因果的意味解釈を可能にすること。
• 実際のおよびシミュレートされた単一細胞干渉データセットにおいて、潜在変数の回復、因果的ターゲット同定、および転移学習の性能向上を実証すること。

提案手法

• 複数の干渉下での単一細胞遺伝子発現データを非i.i.d. 干渉としてモデル化するスパース変分オートエンコーダー（sVAE）を提案する。
• 各干渉を潜在変数のスパースサブセットを標的とする確率的干渉としてモデル化し、構造的事前分布を用いて機構シフトのスパarsityを強制する。
• スパース機構シフト仮定の下で、干渉ラベルをコンテキストとして用いた条件付きVAE推論により、分離可能な表現を学習する。
• 単一細胞RNA-Seqカウントデータにおける技術的および生物学的過分散を扱うために、スケーリングされたネガティブ二項分布ノイズモデルを組み込む。
• 非線形ICAおよび因果的表現学習の理論的同定可能性結果を活用し、潜在変数が因果的生物学的プロセスに対応することを保証する。
• scvi-toolsライブラリを用いてモデルを実装し、https://github.com/Genentech/sVAE でオープンソースソフトウェアとしてリリースする。

実験結果

リサーチクエスチョン

• RQ1 スパース機構シフトモデリングは、単一細胞ゲノム学データにおいて分離可能で因果的に解釈可能な表現を可能にするか？
• RQ2 sVAEモデルは、干渉データにおいて、標準VAEや他の分離性手法と比較して、真の潜在変数をどの程度正確に回復できるか？
• RQ3 sVAEモデルは、特に転移学習のシナリオにおいて、未観測の干渉にどの程度一般化できるか？
• RQ4 干渉のスパarsityおよびカバレッジが、潜在変数の回復および因果グラフ同定の性能に与える影響は何か？
• RQ5 モデルの性能および同定可能性は、干渉効果の強さおよび条件付き分布のばらつきにどのように依存するか？

主な発見

• sVAEモデルは、ヴァニラVAEやiVAEを含むベースライン手法を著しく上回り、15個のすべての潜在変数が干渉された場合にピアソンMCCが0.88に達する。
• 潜在変数の一部（例：4変数）のみが標的にされた場合、性能が著しく低下する（例：MCC 0.59）ことから、広範な干渉カバレッジが理論的に必要であることが確認された。
• 実世界の大規模な遺伝子干渉データセットにおいて、因果的ターゲットを効果的に同定でき、干渉を生物学的プロセスに解釈可能なマッピングを可能にした。
• 転移学習タスクにおいて、ドメイン外一般化性能が優れており、未観測の干渉に対しても頑健であることが示された。
• モデルは干渉効果の強さに敏感である。弱い効果では分離性が悪化し、有限サンプルサイズ下での理論的制限と整合的である。
• 十分な可変性および潜在変数のグラフィカルカバレッジといった理論的仮定が重要である。これらの仮定が満たされない場合、モデルが適切に定式化されていても性能が低下する。