[論文レビュー] TrajectoryNet: A Dynamic Optimal Transport Network for Modeling Cellular Dynamics

Alexander Tong, Jessie Huang+3 more|PubMed|Feb 9, 2020

Single-cell and spatial transcriptomics参考文献 45被引用数 44

ひとこと要約

TrajectoryNet は連続正規化フローと動的最適輸送を組み合わせ、 cross-sectional timepoint データから連続的で非線形な細胞軌跡をモデル化し、静的 OT 法より補間を改善します。

ABSTRACT

It is increasingly common to encounter data from dynamic processes captured by static cross-sectional measurements over time, particularly in biomedical settings. Recent attempts to model individual trajectories from this data use optimal transport to create pairwise matchings between time points. However, these methods cannot model continuous dynamics and non-linear paths that entities can take in these systems. To address this issue, we establish a link between continuous normalizing flows and dynamic optimal transport, that allows us to model the expected paths of points over time. Continuous normalizing flows are generally under constrained, as they are allowed to take an arbitrary path from the source to the target distribution. We present <i>TrajectoryNet</i>, which controls the continuous paths taken between distributions to produce dynamic optimal transport. We show how this is particularly applicable for studying cellular dynamics in data from single-cell RNA sequencing (scRNA-seq) technologies, and that TrajectoryNet improves upon recently proposed static optimal transport-based models that can be used for interpolating cellular distributions.

研究の動機と目的

• 交差横断的で時間サンプル済みデータから細胞軌跡を推定するという課題に動機づける。
• 時系列分布をモデル化するために連続正規化フローと動的最適輸送の関係を導入する。
• 時点間の滑らかでデータ主導の軌跡を計算するためのニューラルODEベースの枠組みを開発する。
• 成長、流形上の密度、速度といった生物学的事前情報を取り入れて、現実的な細胞動態を生成する。

提案手法

• 時点間の動的OTを近似するために、エネルギー正則化項を持つ連続正規化フロー（CNF）を活用する。
• CNFの対数尤度と流れの速度に対するエネルギーペナルティを組み合わせた損失L(x)を定式化し、最小経路長を促進する。
• 動的OT制約のKL発散ベースの緩和を導入し、CNFをターゲット分布に適合させる。
• 学習された成長率ネットワークを介して非均衡輸送を組み込み、細胞増殖と死をモデル化する。
• データの幾何と観測された速度を整合させるために、多様体認識密度正則化と速度ベースの事前情報を課す。

実験結果

リサーチクエスチョン

• RQ1 CNFを制約して、連続的で最小エネルギーの軌跡を生成し、連続する時点分布の間を補間できるか？
• RQ2 ニューラルODEと正則化を用いて高次元で動的OTを近似するにはどうすればよいか？
• RQ3 scRNA-seq時系列データに対して、密度/速度/成長の事前情報は軌跡の現実性と補間性能を向上させるか？
• RQ4 細胞分化経路を捉える際に、TrajectoryNetは静的OTや素朴な補間とどう比較されるか？

主な発見

• TrajectoryNetは、Earth Mover’s Distance（EMD）などの分布指標で評価した場合、合成データと単一細胞データセットのベースライン補間法（静的OTを含む）を上回った。
• エネルギーおよびヤコビアンペナルティでCNFを正則化すると、より一直線で低エネルギーの軌跡となり、時点間の動的OTの近似精度が上がる。
• 密度と速度の事前情報を組み込むとデータ多様体への整合性と既知の細胞速度方向の整合性が向上し、scRNA-seq時系列データの補間が改善される。
• 学習された成長関数による非均衡輸送をサポートし、細胞集団の成長と死を適応させる。
• マウス皮質およびEmbryoid bodyのscRNA-seqデータへの適用は、TrajectoryNetが分岐軌跡を捉え、生物学的に意味のある遺伝子軌道を回復することを示した。