[논문 리뷰] A deep generative model for gene expression profiles from single-cell RNA sequencing

Romain Lopez, Jeffrey Regier외 3명|arXiv (Cornell University)|2017. 09. 07.

Single-cell and spatial transcriptomics참고 문헌 12인용 수 5

한 줄 요약

이 논문은 단일세포 RNA 시퀀싱 데이터를 위한 딥 생성 모델인 scVI를 제안한다. 이 모델은 신경망을 사용한 변분 추론를 통해 유전자 발현을 제로-과잉 음수 이항 분포로 모델링하며, 생물학적 변동성과 기술적 노이즈를 명시적으로 분리한다. 단일 GPU에서 수백만 개의 세포로도 효율적으로 확장되며, 보정, 클러스터링, 차등 발현 분석에서 최신 기술 수준의 성능을 달성한다.

ABSTRACT

We propose a probabilistic model for interpreting gene expression levels that are observed through single-cell RNA sequencing. In the model, each cell has a low-dimensional latent representation. Additional latent variables account for technical effects that may erroneously set some observations of gene expression levels to zero. Conditional distributions are specified by neural networks, giving the proposed model enough flexibility to fit the data well. We use variational inference and stochastic optimization to approximate the posterior distribution. The inference procedure scales to over one million cells, whereas competing algorithms do not. Even for smaller datasets, for several tasks, the proposed procedure outperforms state-of-the-art methods like ZIFA and ZINB-WaVE. We also extend our framework to account for batch effects and other confounding factors, and propose a Bayesian hypothesis test for differential expression that outperforms DESeq2.

연구 동기 및 목표

• 기존의 차원 축소 및 보정 방법은 종종 선형 모델이나 배치 최적화에 의존하여 대규모 데이터셋에 스케일링하지 못하는 한계를 해결하기 위해.
• 기술적 노이즈(예: 드롭아웃, 시퀀싱 깊이 등)를 명시적으로 모델링하고 생물학적 상태에서 이를 분리하는 확장 가능하고, 미분 가능하며, 확률론적 프레임워크를 개발하기 위해.
• 불확실성 정량화를 포함한 통합 생성 모델을 사용하여 클러스터링, 보정, 차등 발현 분석 등의 정확한 후행 작업을 가능하게 하기 위해.
• ZIFA 및 ZINB-WaVE와 같은 이전 방법들이 메모리 및 계산 병목 현상으로 10만 개의 세포를 초과할 수 없음에도 불구하고, 최대 130만 개의 세포를 포함한 데이터셋에 대해 추론을 스케일링하기 위해.

제안 방법

• scVI는 계층적 생성 과정을 사용하여 유전자 발현을 모델링한다: 잠재 세포 상태 $ z_n $ 은 표준 정규분포에서 추출되고, 유전자 발현은 감마 분포 평균 $ w_{ng} $ 과 베르누이 드롭아웃 지표 $ h_{ng} $ 를 통해 모델링되며, 관측된 데이터 $ x_{ng} $ 는 제로-과잉 포isson 분포를 따른다.
• 모델은 유전자 발현의 평균과 드롭아웃 확률을 각각 매개변수화하기 위해 두 개의 딥 신경망 $ f_w $ 와 $ f_h $ 를 사용한다. 공유 가중치와 배치 정규화를 통해 일반화 성능을 향상시킨다.
• 기하학적 추론을 사용하여 계산이 불가능한 사후분포 $ p(z_n|x_n) $ 를 근사하며, 인코더 네트워크로 매개변수화된 가우시안 변분 분포 $ q(z_n|x_n) $ 를 사용하여 엔드 투 엔드로 미분 가능한 학습을 가능하게 한다.
• 변분 하한은 확률적 백프로파게이션을 통해 최적화되며, 이산 잠재 변수에 대한 분석적 최적화를 통해 미분 가능성과 안정적인 최적화를 보장한다.
• 차등 발현 테스트를 위해, posterior $ w_{ag} $ 와 $ w_{bg} $ 를 기반으로 베이지안 가설 검정을 수립하고, 잠재 변수에 대한 몬테카를로 통합을 통해 베이즈 요인을 계산한다.
• 모델은 시퀀싱 깊이, 배치 등과 같은 공변량 $ \gamma_n $ 을 지원하여 잠재 공간에서 기술적 영향을 생물학적 신호에서 분리한다.

실험 결과

연구 질문

• RQ1 미분 가능한 추론을 갖춘 딥 생성 모델이 선형 모델 및 배치 최적화 방법보다 단일세포 RNA-seq 데이터에서 클러스터링 및 보정 성능에서 뛰어나게 할 수 있는가?
• RQ2 완전한 생성 모델이 고차원적이고 제로-과잉된 단일세포 데이터에서 기술적 노이즈(예: 드롭아웃, 배치 효과)를 진정된 생물학적 변동성에서 효과적으로 분리할 수 있는가?
• RQ3 모델이 수백만 개의 세포를 포함한 데이터셋에 대해 정확성과 계산 효율성을 유지하면서도 스케일링할 수 있는가?
• RQ4 모델의 확률론적 프레임워크가 단일세포 데이터에서 강력하고 불확실성 인식 가능한 차등 발현 테스트를 가능하게 하는가?

주요 결과

• 10,000개의 세포를 포함한 뇌 데이터셋에서 scVI는 가장 낮은 보정 오차(1.048)를 기록했으며, ZINB-WaVE(1.053)와 MAGIC(1.806)를 모두 앞섰고, 가장 낮은 제로-아웃 예측 오차(0.742)를 기록하여 드롭아웃 사건의 모델링 능력이 뛰어나다는 것을 보여주었다.
• 3,005개의 세포를 포함한 마우스皮질 데이터셋에서 scVI는 실루엣 스코어 0.285를 기록했으며, ZINB-WaVE(0.260), ZIFA(0.202), FA(0.208)를 뛰어넘어 알려진 세포 유형을 더 잘 복원했다.
• 12,039개의 세포를 포함한 PBMC 데이터셋에서 scVI는 실루엣 스코어 0.379와 QC 상관계수 0.157을 기록했으며, PCA(0.314 및 0.381)를 능가했고, 불필요한 변동을 효과적으로 제거하면서도 생물학적 구조를 유지했다.
• scVI는 단일 GPU에서 130만 개의 세포를 포함한 전체 데이터셋을 2시간 이내에 학습했고, ZIFA와 ZINB-WaVE는 32GB RAM으로 10만 개의 세포에서도 메모리가 부족해져 중단되었다. 이는 scVI의 뛰어난 확장성과 함께 증명되었다.
• 차등 발현 테스트에서 scVI는 배치 RNA-seq 데이터와 높은 상관관계(r ≈ 0.7)를 보이며 높은 재현성을 보였고, 이는 모델의 생물학적 관련성을 검증했다.