[論文レビュー] Peptide-Spectra Matching from Weak Supervision

Sam Schoenholz, Sean F. Hackett+9 more|arXiv (Cornell University)|Aug 20, 2018

Advanced Proteomics Techniques and Applications参考文献 6被引用数 8

ひとこと要約

本論文は、古典的スクリーニングエンジンから得られるノイジーサンプルラベルを用いてトレーニングすることで、質量分析法におけるペプチド-スペクトルマッチングを向上させる弱教師付きディープラーニング手法を提案する。構造化されたイオントレースバック表現とVGGベースのリードアウトを用い、標準的手法に比べ43%の改善、最先端の再スコアリングツールに比べ10%の改善を達成し、より困難な条件下での性能向上が顕著に見られる。

ABSTRACT

As in many other scientific domains, we face a fundamental problem when using machine learning to identify proteins from mass spectrometry data: large ground truth datasets mapping inputs to correct outputs are extremely difficult to obtain. Instead, we have access to imperfect hand-coded models crafted by domain experts. In this paper, we apply deep neural networks to an important step of the protein identification problem, the pairing of mass spectra with short sequences of amino acids called peptides. We train our model to differentiate between top scoring results from a state-of-the art classical system and hard-negative second and third place results. Our resulting model is much better at identifying peptides with spectra than the model used to generate its training data. In particular, we achieve a 43% improvement over standard matching methods and a 10% improvement over a combination of the matching method and an industry standard cross-spectra reranking tool. Importantly, in a more difficult experimental regime that reflects current challenges facing biologists, our advantage over the previous state-of-the-art grows to 15% even after reranking. We believe this approach will generalize to other challenging scientific problems.

研究の動機と目的

• 質量分析法におけるペプチド-スペクトルマッチングにおいて、大規模なグランドトゥルースデータセットの不足に対処すること。
• COMETなどの古典的スクリーニングエンジンからのノイジーラベルを活用して、ペプチド同定の正確性を向上させること。
• ペプチド配列を質量スペクトルヒストограмにマッチングするための強いインダクティブバイアスを持つディープラーニングモデルの開発。
• ラベルのソースが劣悪であっても、弱教師付き学習が元のラベルソースを上回る性能を達成できることを示すこと。
• 多様な種と挑戦的な実験的条件下で、手法の有効性を検証すること。

提案手法

• すべての可能なb、y、およびaイオン（Z=1,2の電荷と、NH3、H2Oのニュートラルロスを含む）を列挙する構造化されたイオン表現を用い、ペプチド結合あたりC=18種類の断片タイプを生成する。
• 各断片タイプcに対して、完全結合ネットワークgcが断片特徴を隠れ表現にマップし、スペクトル表現Gはm/zチャンクにわたってこれらの表現を集約することで構築される。
• 最終スコアは、スパース行列GにVGGスタイルの畳み込みネットワークを適用することで計算され、実験的スペクトルと理論的断片パターンの間の複雑な相関関係を学習可能となる。
• 単純なリードアウトベースラインは、Gのフラット化された表現に完全結合ネットワークを適用する。
• モデルは、古典的スクリーニングエンジン（COMET）のトップスコアマッチングと、ハードネガティブな2位・3位のマッチングを区別するようにトレーニングされる。
• 低スコアでのデコイ割合が約0.5に近づくように設計されることで、ペプチドデータの記憶を回避し、一般化性能が保証される。

実験結果

リサーチクエスチョン

• RQ1 古典的スクリーニングエンジンからの弱教師付き学習でトレーニングされたディープラーニングモデルは、そのエンジン自体を上回るペプチド-スペクトルマッチング性能を達成できるか？
• RQ2 物理的断片化則をエンコードする構造化されたイオン表現は、断片化パターンをエンコードしないアグノスティック表現よりもモデル性能を向上させるか？
• RQ3 スペクトルノイズや複雑性が増したより困難な実験的条件下では、モデルの性能はどのようにスケーリングするか？
• RQ4 モデルは、異なる種や質量分析データセット間でどの程度一般化可能か？
• RQ5 ラベルソースが劣悪であっても、ノイジーラベルを用いた弱教師付き学習が依然として顕著な性能向上をもたらすか？

主な発見

• 本モデルは、標準的手法に比べ、ペプチド同定の正確性で43%の向上を達成した。
• マッチング手法と業界標準のクロススペクトル再スコアリングツールの組み合わせに比べ、10%の性能向上を達成した。
• より困難な実験的条件下では、再スコアリング後でも、以前の最先端手法との性能差が15%にまで拡大した。
• モデルのスコア分布は、高スコアではCOMETと強く一致し、低スコアではデコイ割合が約0.5であることが確認され、ペプチドデータの記憶は見られないことが示された。
• 構造化されたイオン表現は、断片化パターンをエンコードしないアグノスティック表現よりも顕著に優れた性能を発揮した。
• VGGベースのリードアウトは、実験的スペクトルと理論的断片パターンの間の複雑な相関関係を学習し、優れた一般化性能を実現した。