[論文レビュー] Visualizing hierarchies in scRNA-seq data using a density tree-biased autoencoder

Quentin Garrido, Sebastian Damrich+5 more|arXiv (Cornell University)|Feb 11, 2021

Single-cell and spatial transcriptomics参考文献 27被引用数 5

ひとこと要約

本稿では、k-meansの重心に基づく密度に基づく最小全域木を用いて、単一細胞RNA-Seqデータ内の階層的構造を同定し、低次元空間にその木構造を保持したまま可視化する密度木バイアス付きオートエンコーダーであるDTAEを提案する。DTAEは、合成および実際のscRNA-seqデータセットにおいて、既存手法に比べて階層的トポロジーの保持において優れた性能を示し、定性的に優れた可視化を実現する。

ABSTRACT

Motivation: Single cell RNA sequencing (scRNA-seq) data makes studying the development of cells possible at unparalleled resolution. Given that many cellular differentiation processes are hierarchical, their scRNA-seq data is expected to be approximately tree-shaped in gene expression space. Inference and representation of this tree-structure in two dimensions is highly desirable for biological interpretation and exploratory analysis.Results:Our two contributions are an approach for identifying a meaningful tree structure from high-dimensional scRNA-seq data, and a visualization method respecting the tree-structure. We extract the tree structure by means of a density based minimum spanning tree on a vector quantization of the data and show that it captures biological information well. We then introduce DTAE, a tree-biased autoencoder that emphasizes the tree structure of the data in low dimensional space. We compare to other dimension reduction methods and demonstrate the success of our method both qualitatively and quantitatively on real and toy data.Availability: Our implementation relying on PyTorch and Higra is available at https://github.com/hci-unihd/DTAE.

研究の動機と目的

• 高次元の遺伝子発現空間においてしばしば木構造をとる単一細胞RNA-Seqデータの階層的分岐経路の可視化という課題に対処すること。
• 標準的な次元削減手法に依存するのではなく、生物学的階層を明示的に捉え、低次元可視化に保存する手法を開発すること。
• 生物学的に解釈可能でかつ定量的にも頑健な可視化手法を構築し、発生経路の木構造的組織を明示的にバイアスすること。
• UMAP、t-SNE、PHATEなど既存手法と異なり、埋め込み初期化に依存せず、ノイズに対してより頑健であるツールを提供すること。

提案手法

• まず、k-meansを用いて高次元のscRNA-seqデータをクラスタリングし、代表的な重心を取得することで、データの複雑さを低減し、より頑健な処理を実現する。
• 重心の間のデータ密度を反映する重みをもつ密度に基づく最小全域木（密度木）を構築する。これにより、エッジが高密度領域に配置されるよう保証される。
• 低次元のボトルネック表現が密度木のトポロジカル構造を保持するよう正則化項を備えた深層オートエンコーダー（DTAE）を訓練する。
• オートエンコーダーは再構成誤差だけでなく、密度木との構造的一致性の最適化も行い、低次元可視化において階層的関係が強調されるようにする。
• 訓練済みオートエンコーダーのボトルネック層を用いて、データ構造と推定された階層を反映した最終的な低次元埋め込みを生成する。
• 実装にはPyTorchとHigraを活用し、再現可能性と既存のscRNA-seq解析パイプラインへの統合を可能にする。

実験結果

リサーチクエスチョン

• RQ1 k-meansの重心に基づく密度に基づく最小全域木は、scRNA-seqデータに生物学的に意味のある階層を効果的に捉えられるか？
• RQ2 密度木でバイアスをかけたオートエンコーダーは、標準的な次元削減手法に比べて、低次元可視化における階層的構造の保存が向上するか？
• RQ3 DTAEは、実際および合成のscRNA-seqデータセットにおいて、トポロジカル忠実度と生物学的解釈可能性の観点でどのように性能を発揮するか？
• RQ4 UMAP、t-SNE、PHATE、SAUCIEといった最先端手法に比べて、DTAEは階層的および局所的近傍構造の両方をどの程度効果的に保存するか？

主な発見

• DTAEは、特にk=50におけるボロノイ図ベースの指標で他の手法を顕著に上回り、階層的構造への明示的バイアスのおかげである。
• 局所的近傍構造の保持に関しては、DTAEが最高の調整ランダ指数（ARI）スコアを達成し、次いでSAUCIEがそれに次ぐ。これは、クラスタリングの忠実度が非常に高いことを示している。
• k-NNの保持に関しては、UMAPが最良の性能を示すが、これはその最適化目的に起因する。一方、DTAEも複数の指標で優れた性能を維持している。
• オルソゴナル距離の保持に関しては、オートエンコーダーに基づく手法（DTAEを含む）が最も優れており、特に明確な優位性は見られない。
• 地図距離（geodesic distance）の保持に関しては、PCAが最も優れており、しかし可視化は質が低い。他の手法は類似した性能を示しており、この指標は判別力に欠ける。
• 全指標の集約的性能では、DTAEとSAUCIEが上位に位置づけられ、DTAEがわずかにSAUCIEを上回る。さらに定性的な分析でも、DTAEはより生物学的に解釈可能な可視化を生成することが確認された。