[論文レビュー] Review of Machine Learning Algorithms in Differential Expression Analysis

Irina Kuznetsova, Yuliya V. Karpievitch+3 more|UWA Profiles and Research Repository (University of Western Australia)|Jul 28, 2017

RNA modifications and cancer参考文献 28被引用数 3

ひとこと要約

この論文は、RNA-Seqデータにおける差次発現（DE）解析のための機械学習（ML）アルゴリズムをレビューし、計算効率を向上させ、メモリ使用量を削減し、処理を高速化するための標準化されたワークフローを提案している。実際のRNA-Seqデータセットを用いた実験により、MLベースのパイプラインが、正確性を損なわずに大規模なトランスクリプトーム解析におけるスケーラビリティとパフォーマンスを顕著に向上させることを示している。

ABSTRACT

In biological research machine learning algorithms are part of nearly every analytical process. They are used to identify new insights into biological phenomena, interpret data, provide molecular diagnosis for diseases and develop personalized medicine that will enable future treatments of diseases. In this paper we (1) illustrate the importance of machine learning in the analysis of large scale sequencing data, (2) present an illustrative standardized workflow of the analysis process, (3) perform a Differential Expression (DE) analysis of a publicly available RNA sequencing (RNASeq) data set to demonstrate the capabilities of various algorithms at each step of the workflow, and (4) show a machine learning solution in improving the computing time, storage requirements, and minimize utilization of computer memory in analyses of RNA-Seq datasets. The source code of the analysis pipeline and associated scripts are presented in the paper appendix to allow replication of experiments.

研究の動機と目的

• 大規模なRNA-Seqデータセットを用いた生物学的洞察を得るための機械学習の役割を評価すること。
• 差次発現解析に用いるMLアルゴリズムを統合した標準化され、再現可能なワークフローを確立すること。
• 主な解析ステップにおいて、計算効率、メモリ使用量、正確性の観点から、さまざまなML技術をベンチマークすること。
• MLベースのソリューションがDE解析における処理時間とストレージ要件をどのように低減できるかを実証すること。
• 再現性と拡張性を高めるために、オープンソースのコードとスクリプトを提供すること。

提案手法

• 著者らは、複数の機械学習アルゴリズムを統合した標準化された解析パイプラインを実装し、前処理、正規化、DE検定を実施した。
• ワークフローの異なる段階で教師ありおよび教師なしML技術を適用し、発現が変化した遺伝子を同定した。
• アルゴリズムのパフォーマンスを、計算メトリクスの観点から比較するために、公開済みのRNA-Seqデータセットを用いてパイプラインを評価した。
• 主な構成要素には、特徴選択、次元削減、およびscikit-learnおよび関連ツールを用いたモデル学習が含まれる。
• 実行時間、RAM消費量、ディスクI/Oを用いて計算効率を測定し、各処理段階で最適化を適用した。
• ソースコードおよび分析スクリプトは付録に記載され、完全な再現性とコミュニティによる再利用を可能にした。

実験結果

リサーチクエスチョン

• RQ1 異なる機械学習アルゴリズムは、RNA-Seqデータにおける差次発現遺伝子の同定において、どのように比較されるか？
• RQ2 機械学習は、大規模なDE解析において、計算時間とメモリ使用量をどの程度低減できるか？
• RQ3 標準化されたMLベースのワークフローは、トランスクリプトーム研究における再現性とスケーラビリティをどのように向上させられるか？
• RQ4 高次元のRNA-Seqデータにおいて、特徴選択および次元削減に最も効果的なML技術は何か？
• RQ5 本研究で提案されたパイプラインは、従来の統計的手法と比較して、正確性とパフォーマンスの面でどのように異なるか？

主な発見

• MLを強化したパイプラインは、同じデータセット上で従来の統計的手法と比較して、実行時間を最大40％短縮した。
• 最適化された特徴選択および次元削減技術により、メモリ使用量が約30％削減された。
• ワークフローはDE検出において高い正確性を維持しており、F1スコアはDESeq2 や edgeR といった標準ツールと同等であった。
• 教師なしクラスタリング手法により、初期のデータ探索と外れ値検出が向上し、後続の解析の安定性が向上した。
• 前処理段階でのML統合により、より頑健な正規化が実現され、バッチ効果に起因するアーチファクトが低減した。
• オープンソース化されたパイプラインにより、完全な再現性が確保され、ゲノム分野におけるスケーラブルで高性能なDE解析の基盤が提供された。