[論文レビュー] Multi-sample Estimation of Bacterial Composition Matrix in Metagenomics Data

Yuanpei Cao, Anru R. Zhang+1 more|arXiv (Cornell University)|Jun 7, 2017

Bayesian Methods and Mixture Models参考文献 45被引用数 8

ひとこと要約

本稿では、メタゲノム解析におけるバクテリア組成行列推定を、複数のサンプルにわたる低ランク構造を活用することで改善するため、核ノルム正則化付き最尤推定量を提案する。スパースなカウントデータをポアソン-多項分布でモデル化し、近接勾配最適化を用いることで、ゼロ過剰な希少な分類群に起因するバイアスを低減し、Kullback-Leibler 散逸とフロベニウスノルムにおいて最小最大最適な誤差バウンドを達成する。

ABSTRACT

Metagenomics sequencing is routinely applied to quantify bacterial abundances in microbiome studies, where the bacterial composition is estimated based on the sequencing read counts. Due to limited sequencing depth and DNA dropouts, many rare bacterial taxa might not be captured in the final sequencing reads, which results in many zero counts. Naive composition estimation using count normalization leads to many zero proportions, which tend to result in inaccurate estimates of bacterial abundance and diversity. This paper takes a multi-sample approach to the estimation of bacterial abundances in order to borrow information across samples and across species. Empirical results from real data sets suggest that the composition matrix over multiple samples is approximately low rank, which motivates a regularized maximum likelihood estimation with a nuclear norm penalty. An efficient optimization algorithm using the generalized accelerated proximal gradient and Euclidean projection onto simplex space is developed. The theoretical upper bounds and the minimax lower bounds of the estimation errors, measured by the Kullback-Leibler divergence and the Frobenius norm, are established. Simulation studies demonstrate that the proposed estimator outperforms the naive estimators. The method is applied to an analysis of a human gut microbiome dataset.

研究の動機と目的

• 制限されたシークエンシング深度やDNAドロップアウトによるゼロ過剰でスパースなメタゲノムカウントデータの課題に対処する。
• 多様性推定のバイアスや後続解析の問題を引き起こす単純な正規化による推定の不正確さを是正する。
• 真の組成行列が近似的に低ランクであるという構造を活用することで、複数サンプルの情報を統合し推定を改善する。
• ポアソン-多項分布モデル下での推定誤差に理論的保証をもたせる正則化付き最尤フレームワークを構築する。
• 推定誤差の最小最大下界と上界を確立し、提案手法の最適性を示す。

提案手法

• 全リード数がポアソン分布に従い、分類群カウントが多項分布に従うポアソン-多項分布モデルを用いて問題を定式化する。
• 組成行列の低ランク構造を強制するために、核ノルム正則化付き最尤推定量を提案する。
• 単体へのユークリッド射影を伴う一般化加速近接勾配アルゴリズムを用いて最適化問題を解く。
• Kullback-Leibler 散逸とフロベニウスノルムの観点から推定誤差を制御するための制約集合 D(T) を用いる。
• 推定誤差の集中不等式を導出するために、対称化および収縮の議論を適用する。
• 経験過程理論を用いて理論的バウンドを導出する。これには推定誤差の上界と最小最大下界が含まれる。

実験結果

リサーチクエスチョン

• RQ1 スパースなメタゲノムデータにおけるバクテリア組成推定を、複数サンプルの情報を有効に活用することで改善できるか？
• RQ2 複数サンプルにわたる真の組成行列は低ランク構造を示すか？ これにより核ノルム正則化が正当化されるか？
• RQ3 提案手法の正則化推定量は、単純な正規化法と比較して推定精度および多様性推定の観点で優れているか？
• RQ4 Kullback-Leibler 散逸とフロベニウスノルムの観点から、提案推定量の理論的誤差バウンド（上界および最小最大下界）は何か？
• RQ5 提案手法はポアソン-多項分布モデル下で最小最大最適か？

主な発見

• 提案推定量は、ポアソン-多項分布モデル下で、Kullback-Leibler 散逸およびフロベニウスノルムの両方において最小最大最適な収束速度を達成する。
• 理論的解析により、推定誤差が高確率で有界であることが示され、上界は最小最大下界と対数要因を除いて一致する。
• シミュレーションスタディでは、希少分類群および全体の組成推定において、提案手法が単純な正規化法を著しく上回ることが示された。
• ヒト腸内マイクロバイオームデータセットを用いた実験的解析により、組成行列の低ランク構造が確認され、手法の実用的有効性が検証された。
• 低サンプリングやDNAドロップアウトに起因するゼロカウントによるバイアスが効果的に低減され、後続の多様性推定が改善された。
• 最小限の仮定の下で理論的バウンドが導出されており、サンプルサイズ N、分類群数 p、真の組成行列のランク r に明示的な依存関係が示された。