[論文レビュー] Scaling up Continuous-Time Markov Chains Helps Resolve Underspecification

Alkis Gotovos, Rebekka Burkholz+2 more|arXiv (Cornell University)|Jul 6, 2021

Gene expression and cancer classification被引用数 7

ひとこと要約

本論文は、断面的バイオメディカルデータからの時系列プロセスの学習における不十分な仕様（underspecification）を解消するために、連続時間MC（CTMC）をスケーリングすることを提案する。追加の独立したアイテムを「バックグラウンドクロック」として含めることで、時間順序推定が向上し、数百のアイテムにスケーリング可能な効率的な尤度最大化が可能になる。実際のTCGAデータにおけるがん進行モデルでは、従来の結果が不十分な仕様に起因するアーティファクトであったことが示され、本手法は強固で再現性のあるモデルを実現した。

ABSTRACT

Modeling the time evolution of discrete sets of items (e.g., genetic mutations) is a fundamental problem in many biomedical applications. We approach this problem through the lens of continuous-time Markov chains, and show that the resulting learning task is generally underspecified in the usual setting of cross-sectional data. We explore a perhaps surprising remedy: including a number of additional independent items can help determine time order, and hence resolve underspecification. This is in sharp contrast to the common practice of limiting the analysis to a small subset of relevant items, which is followed largely due to poor scaling of existing methods. To put our theoretical insight into practice, we develop an approximate likelihood maximization method for learning continuous-time Markov chains, which can scale to hundreds of items and is orders of magnitude faster than previous methods. We demonstrate the effectiveness of our approach on synthetic and real cancer data.

研究の動機と目的

• バイオメディカル応用における断面的データから連続時間MCを学習する際の、根本的な不十分な仕様の問題に取り組むこと。
• 追加の、見かけ上関係のないアイテムを含めることで、時間推定のためのバックグラウンドクロックとして機能させることで、時間的曖昧性を解消できることを示すこと。
• 従来のアプローチが直面する指数的スケーリングの制限を克服する、スケーラブルな尤度最大化手法を開発すること。
• 合成および実際のがんゲノムデータを用いて手法を検証し、従来の結果が不十分な仕様に起因するアーティファクトである可能性を示すこと。
• 特にがん進行モデリングにおいて、時系列に整った生物学的プロセスを学習する強固なフレームワークを提供すること。

提案手法

• 状態遷移が1つのアイテムを追加するものに限定されるように制約された生成行列を有するパラメトリックCTMCモデルを提案。これは、遺伝的変異など、不可逆的蓄積を反映する。
• 遷移率をモデル化するためのパラメータ行列 Θ ∈ ℝⁿˣⁿ を導入。この構造により、計算の効率化とスケーラビリティが可能になる。
• 計算コストを指数的からほぼ線形スケーリングに削減するため、高速勾配近似を用いた近似尤度最大化手法を開発。
• 各サンプルに含まれる独立アイテムの数を時間の代理として用い、明示的な時間ラベルがなくても時間順序推定が可能になる。
• 学習済みモデルからの周辺的順列サンプリングを用い、1つの出来事の他方の出来事より前に発生する確率を推定することで、アイテムのペア間の時間順序推定を可能にする。
• n=410の実際のTCGA膠芽腫細胞がんデータに本手法を適用し、生物学的証拠と整合性の高い、より強固で一貫性のある結果が得られた。

実験結果

リサーチクエスチョン

• RQ1 追加の独立したアイテムを含めることで、断面的データからのCTMC学習における時間的不十分仕様を解消できるか？
• RQ2 なぜ従来のCTMCモデルが小さなアイテムサブセットに対しては信頼性が低く、一貫性のない時間順序推定を生じるのか？
• RQ3 尤度最大化を、指数的計算コストなしに数百のアイテムにスケーリングするにはどうすればよいか？
• RQ4 がん進行モデルにおける観察された時間順序関係が、サブセットの選択や最適化設定にどれほど依存しているのか？
• RQ5 独立したアイテムによるバックグラウンドクロック効果が、推定された生物学的時間順序の強固さと再現性を向上させられるか？

主な発見

• 本手法は、n=20の問題に対して、Schillら（2019）の最先端手法と比較してほぼ1000倍速く実行され、実行時間は121分から8秒に短縮された。
• 本手法はn=100のアイテムに対しても効率的にスケーリングでき、33分43秒で完了し、大規模な遺伝子変異セットの解析が可能になった。
• EGFRおよびPDGFRAに対して、増幅がスプライシング変異の前に発生するという、以前報告されていなかった時間順序関係が同定された。これは70以上の追加アイテムを含めることで初めて検出可能になった。
• IDH1の変異がTP53の変異より前に発生するという時間順序は、n≥50のときのみ強固に確認された。これは、従来の観察結果が最適化アーティファクトに起因していた可能性を示唆している。
• MDM2およびCDK4の増幅に関しては、明確な時間順序は推定されず、以前の矛盾する主張とは対照的であった。これは、本手法が信頼性を向上させていることを示している。
• 学習済みパラメータ行列 Θ は、おおよそブロック対角構造を示しており、独立したアイテムが推定を安定化させるという理論的主張を支持している。