[論文レビュー] Learning Embeddings from Cancer Mutation Sets for Classification Tasks

Geoffroy Dubourg-Felonneau, Yasmeen Kussad+4 more|arXiv (Cornell University)|Nov 20, 2019

Machine Learning in Bioinformatics参考文献 8被引用数 4

ひとこと要約

本論文では、がんゲノム研究における体細胞突然変異セットから低次元で情報豊富な埋め込みを学習するための変分オートエンコーダー（VAE）であるFlatsomaticを提案する。突然変異位置データを、独自のF1スコアに基づく損失関数とbeta-VAE正則化を用いて潜在空間に圧縮することで、PCAよりも優れたクラスタリング性能を達成し、分類タスクでは生データと同等の性能を示した。これにより、高次元かつスパースな突然変異プロファイルの精度のがん医療における有効な活用が可能になった。

ABSTRACT

Analysis of somatic mutation profiles from cancer patients is essential in the development of cancer research. However, the low frequency of most mutations and the varying rates of mutations across patients makes the data extremely challenging to statistically analyze as well as difficult to use in classification problems, for clustering, visualization or for learning useful information. Thus, the creation of low dimensional representations of somatic mutation profiles that hold useful information about the DNA of cancer cells will facilitate the use of such data in applications that will progress precision medicine. In this paper, we talk about the open problem of learning from somatic mutations, and present Flatsomatic: a solution that utilizes variational autoencoders (VAEs) to create latent representations of somatic profiles. The work done in this paper shows great potential for this method, with the VAE embeddings performing better than PCA for a clustering task, and performing equally well to the raw high dimensional data for a classification task. We believe the methods presented herein can be of great value in future research and in bringing data-driven models into precision oncology.

研究の動機と目的

• 機械学習応用における体細胞突然変異データの高次元性、スパarsity、可変なセットサイズという課題に対処すること。
• 生物学的に関連する信号を保持する、強固で低次元の体細胞突然変異プロファイル表現を構築すること。
• 突然変異データから偏りのない情報豊富な埋め込みを学習することで、クラスタリングや分類などの下流タスクを改善すること。
• 位置情報以外の特徴を保持する代替的データ表現を検討し、バイナリ突然変異発生マトリクスのような不適切な事前処理を回避すること。

提案手法

• 本手法は、再構成の忠実度と分離可能な表現に重点を置き、体細胞突然変異プロファイルを低次元潜在空間に圧縮するための変分オートエンコーダー（VAE）を用いる。
• 突然変異データは、染色体上の位置に基づいてバイナリ発生ベクトルに事前処理され、頻度が5未満の低頻度突然変異はスパarsityを軽減するため削除される。
• VAEは、バッチ正則化、Leaky ReLU、ReLU、シグモイド活性化関数を併用した2層MLPエンコーダーとデコーダーを採用し、ドロップアウトとL1正則化を適用する。
• 独自のF1スコアに基づく再構成損失関数を導入し、バイナリクロスエントロピー損失と比較することで、スパースな突然変異データにおける再構成性能を向上させた。
• 正則化項はウォームアップスケジュールとbeta-VAEを用いて最適化され、潜在空間における分離性と一般化性能の向上が図られた。
• 性能評価はクラスタリング（NMI）と分類（F1スコア）を用い、PCAおよび生データと比較した。

実験結果

リサーチクエスチョン

• RQ1 従来のPCAのような手法よりも、変分オートエンコーダーが体細胞突然変異プロファイルのより情報豊かな低次元表現を学習できるか？
• RQ2 独自のF1スコアに基づく損失関数は、標準のバイナリクロスエントロピー損失と比較して、スパースで高次元の突然変異データの再構成を改善できるか？
• RQ3 潜在空間のサイズは、再構成性能および下流タスク性能という観点から、学習された埋め込みの質にどのように影響するか？
• RQ4 VAEで学習された埋め込みは、薬剤応答予測のような分類タスクで生データの性能に匹敵できるか？
• RQ5 バイナリ突然変異発生マトリクス作成という事前処理ステップが、生物学的に関連する特徴を捉える能力にどの程度制限を及えるか？

主な発見

• F1スコアに基づく損失関数を用いたMLPベースのVAEは、潜在空間サイズが32の場合、検証F1スコア20.88%を達成し、バイナリクロスエントロピー損失を上回った。
• 再構成性能の最適な潜在空間サイズは8より大きいことが判明し、32次元でピーク性能を示した。
• VAE埋め込みはクラスタリングタスクでNMIスコア21%を達成し、PCAの11%NMIを著しく上回った。
• 薬剤応答予測タスクにおいて、Flatsomatic埋め込み（64次元）はF1スコア0.667を達成し、生の突然変異発生データ（8298次元）と同等の性能を示した。
• beta-VAE正則化項にウォームアップスケジュールを適用することでモデル性能が向上した。これは、分離可能な表現を学習する上でその重要性を示している。
• 双方向LSTMベースのVAEはMLP-VAEに劣り、F1スコア17.1%にとどまった。これは、順序なしの突然変異セットに対して、系列モデルが効果的でないことを示唆している。