[論文レビュー] MAGAN: Aligning Biological Manifolds

Matthew Amodio, Smita Krishnaswamy|arXiv (Cornell University)|Feb 10, 2018

Single-cell and spatial transcriptomics参考文献 19被引用数 29

ひとこと要約

MAGANは、単一細胞RNA-Seqや質量分光画像法などの非ペairedマルチオミクス生物学的データから多様体を整列させる、画期的な生成的対抗ネットワークを導入する。これは任意の重ね合わせではなく、点対応を強制することで実現される。ベースラインモデルと比較して、対応予測の平均二乗誤差（MSE）を78%低減し、単一細胞データ統合における整列精度を顕著に向上させる。

ABSTRACT

It is increasingly common in many types of natural and physical systems (especially biological systems) to have different types of measurements performed on the same underlying system. In such settings, it is important to align the manifolds arising from each measurement in order to integrate such data and gain an improved picture of the system. We tackle this problem using generative adversarial networks (GANs). Recently, GANs have been utilized to try to find correspondences between sets of samples. However, these GANs are not explicitly designed for proper alignment of manifolds. We present a new GAN called the Manifold-Aligning GAN (MAGAN) that aligns two manifolds such that related points in each measurement space are aligned together. We demonstrate applications of MAGAN in single-cell biology in integrating two different measurement types together. In our demonstrated examples, cells from the same tissue are measured with both genomic (single-cell RNA-sequencing) and proteomic (mass cytometry) technologies. We show that the MAGAN successfully aligns them such that known correlations between measured markers are improved compared to other recently proposed models.

研究の動機と目的

• scRNA-seqやCyTOFなどの異なる測定技術からの非ペアマルチオミクス単一細胞データ統合の課題に対処すること。
• 任意の多様体の重ね合わせではなく、細胞間の点対応を保存する手法を開発すること。
• 既知の細胞型が希少または高コストである生物学的システムにおいて、クロスモダリティ細胞マッピングの精度を向上させること。
• 最小限の教師あり情報で、補完的データタイプを統合し、より信頼性の高い生物学的発見を可能にすること。

提案手法

• MAGANは、2つの生成器と2つの識別器を備えた条件付きGANアーキテクチャを採用し、2つのドメイン（例：scRNA-seqとCyTOF）間を双方向にマッピングする。
• 源データとそのドメイン間変換後の再構築対応体の差異をペナルティとする対応損失を導入する。
• 翻訳中にアイデンティティを保持するための再構築損失と、訓練の安定化のためのサイクル整合性損失を用いる。
• わずか10個の既知のペア細胞を用いて半教師あり対応損失を適用し、整列精度を顕著に向上させる。
• 敵対的損失、対応損失、再構築損失を統合的に最適化することで、一貫性があり生物学的に意味のあるマッピングを実現する。
• 高次元の単一細胞データは低次元多様体に埋め込まれ、その後GANフレームワークを用いて整列される。

実験結果

リサーチクエスチョン

• RQ1 GANベースのモデルは、異なる測定モダリティからの非ペア生物学的データセット間で意味的かつ一貫性のある対応関係を学習できるか？
• RQ2 通常のGANが多様体を単に重ね合わせるのに対し、対応損失を強制することで整列精度が向上するか？
• RQ3 わずか数個の既知の細胞ペア（例：10個）が、非教師あり多様体整列の性能にどの程度寄与するか？
• RQ4 MAGANは、最小限の教師あり情報で、単一細胞RNA-Seqと質量分光画像法データのマッピングにおいて、既存の最先端モデルを上回ることができるか？

主な発見

• CyTOFからscRNA-seqへのマッピングにおいて、対応予測の平均二乗誤差（MSE）は99.3から22.0に低下し、78%の改善が達成された。
• 逆方向のマッピング（scRNA-seqからCyTOF）のMSEは33.7から7.1に低下し、誤差は79%減少した。
• わずか10個のラベル付き細胞ペアを用いても、半教師あり対応損失が整列精度を顕著に向上させ、低教師あり効率性を示した。
• モデルはマーカー間の生物学的関係を適切に保持し、タンパク質と遺伝子発現レベルの既知の相関関係を改善した。
• 任意の多様体の重ね合わせではなく、多様体整列を強制することで、MAGANは既存のGANベースのモデルを上回った。
• 本手法は高次元でカバレッジが低いオミクスデータの高精度な統合を可能にし、細胞型特異的レギュラトリ関係の同定を促進する。