[論文レビュー] Using Graph Neural Networks for Mass Spectrometry Prediction

Hao Zhu, Liping Liu+1 more|arXiv (Cornell University)|Oct 9, 2020

Metabolomics and Mass Spectrometry Studies参考文献 29被引用数 10

ひとこと要約

本稿では、分子グラフから質量スペクトルを予測するために、グラフニューラルネットワーク（GNN）、特にグラフ畳み込みネットワーク（GCN）とグラフアテンションネットワーク（GAT）を提案し、ファングプリントベースのNEIMSモデルを上回る性能を示した。10層のGATとゲート付き線形ユニット（GLU）を用いたモデルが、NIST 17 LC-MSデータセットにおいて、スペクトル類似度（0.517）とrecall@10（83.3%）で最高を記録し、GNNのスペクトル予測における優位性を実証するとともに、ランク付け性能に与える候補セットサイズと類似度の重要性を浮き彫りにした。

ABSTRACT

Detecting and quantifying products of cellular metabolism using Mass Spectrometry (MS) has already shown great promise in many biological and biomedical applications. The biggest challenge in metabolomics is annotation, where measured spectra are assigned chemical identities. Despite advances, current methods provide limited annotation for measured spectra. Here, we explore using graph neural networks (GNNs) to predict the spectra. The input to our model is a molecular graph. The model is trained and tested on the NIST 17 LC-MS dataset. We compare our results to NEIMS, a neural network model that utilizes molecular fingerprints as inputs. Our results show that GNN-based models offer higher performance than NEIMS. Importantly, we show that ranking results heavily depend on the candidate set size and on the similarity of the candidates to the target molecule, thus highlighting the need for consistent, well-characterized evaluation protocols for this domain.

研究の動機と目的

• 分子フォルダープリンティングをグラフベースの表現に置き換えることで、質量スペクトル予測の精度を向上させること。
• NEIMSのような既存のニューラルネットワークモデルと比較して、GNNがLC-MS/MSスペクトルの予測において優れた性能を示すかどうかを評価すること。
• 候補分子セットのサイズと分子類似度が、代謝物アノテーションにおけるランク付け性能に与える影響を調査すること。
• MSスペクトル予測ツールのためのより強固で一貫性のある評価プロトコルを確立すること。

提案手法

• 分子は原子をノード、結合をエッジとするグラフとして表現され、GNNが構造的表現を学習可能となる。
• 2種類のGNNアーキテクチャが評価された：グラフ畳み込みネットワーク（GCN）とグラフアテンションネットワーク（GAT）、それぞれ深さとアテンションメカニズムを変化させた。
• スペクトル予測は、L2正則化とドロップアウト（率 = 0.5）を用いて過学習を防ぐため、平均二乗誤差（MSE）の最小化によって訓練された。
• 入力特徴には原子種別と結合種別が含まれ、強度値は対数変換または平方根変換を用いて正規化・変換された。
• グローバルマックス、グローバル平均、またはグローバルアテンションを用いたグラフプーリングにより、ノードレベルの表現をグローバルなスペクトルベクトルに集約した。
• 出力層には全結合層またはゲート付き線形ユニット（GLU）を用い、最適化のためのハイパーパramータサーチにより性能を最適化した。

実験結果

リサーチクエスチョン

• RQ1 GNNベースのモデルは、LC-MS/MSデータにおいて、ファングプリントベースのモデル（例：NEIMS）よりも高いスペクトル予測精度を達成できるか？
• RQ2 GNNアーキテクチャの深さ（例：GCN対GAT）は、スペクトル予測性能にどのように影響するか？
• RQ3 候補分子セットのサイズと類似度は、スペクトルアノテーションツールのランク付け性能にどのような影響を及ぼすか？
• RQ4 どのデータ変換およびプーリング戦略が、スペクトル予測とrecall@k性能において最良の結果をもたらすか？

主な発見

• 10層のGATとGLU出力を持つモデルが、最高のスペクトル類似度（0.517）を記録し、NEIMS（0.157）を顕著に上回った。
• 最良のGATモデルのrecall@10は83.3%に達したのに対し、NEIMSは65.1%であった。これは、優れたランク付け性能を示している。
• 候補セットサイズが増加するにつれて性能が著しく低下し、recall@10は50候補の際の83.3%から、より大きなセットでは低くなった。
• NVIDIA V100 GPU上では、1秒間に約11,000件の予測が可能であり、高い推論効率を示した。
• 強度値の対数変換は、平方根変換よりも一貫して性能を向上させた。
• 候補の類似度とセットサイズは、recall@kに強く影響することが判明し、標準化された評価プロトコルの必要性が強調された。