[논문 리뷰] A New Deep Learning and XAI-Based Algorithm for Features Selection in Genomics

Carlo Adornetto, Gianluigi Greco|arXiv (Cornell University)|2023. 03. 29.

Genetics, Bioinformatics, and Biomedical Research인용 수 5

한 줄 요약

이 논문은 유전체 분석을 위한 새로운 딥러닝 및 설명 가능한 인공지능(XAI) 기반 특성 선택 알고리즘을 제안한다. 이 알고리즘은 원래의 특성 공간을 변경하지 않은 채로 자동에코더(AEs)를 활용하여 정보가 풍부한 유전자를 식별하고, 반복적인 선택을 위해 맞춤형 SHAP 기반 점수를 사용한다. 만성 림프성 백혈병(CLL) 데이터셋(19,367개 유전자, 97명의 환자)에 적용된 결과, 특성 수를 50개로 감소시켜 교차 검증에서 100%의 분류 정확도를 달성하였으며, 예후에 관련된 생물학적으로 의미 있는 유전자를 식별하였다.

ABSTRACT

In the field of functional genomics, the analysis of gene expression profiles through Machine and Deep Learning is increasingly providing meaningful insight into a number of diseases. The paper proposes a novel algorithm to perform Feature Selection on genomic-scale data, which exploits the reconstruction capabilities of autoencoders and an ad-hoc defined Explainable Artificial Intelligence-based score in order to select the most informative genes for diagnosis, prognosis, and precision medicine. Results of the application on a Chronic Lymphocytic Leukemia dataset evidence the effectiveness of the algorithm, by identifying and suggesting a set of meaningful genes for further medical investigation.

연구 동기 및 목표

• 유전체 데이터 분석에서 고차원성, 클래스 불균형, 데이터 이질성의 과제를 해결하기 위해.
• 딥러닝 표현을 활용하면서도 해석 가능성 유지가 가능한 특성 선택 방법을 개발하기 위해.
• 만성 림프성 백혈병(CLL)에서 예후를 예측할 수 있는 최소한의 생물학적으로 의미 있는 유전자 집합을 식별하기 위해.
• 자동에코더와 SHAP 기반 설명 가능성의 통합을 통해 모델 투명성 향상 및 특성 관련성 정량화를 위해.
• 정밀의료에서 후속 의학적 조사에 적합한 후보 유전자 식별을 위한 프레임워크를 제공하기 위해.

제안 방법

• 유전자 간 상관계수 행렬을 기반으로 계층적 클러스터링을 사용하여 500개의 초기 유전자 그룹을 형성한다.
• 각 클러스터에 대해 원래의 유전자 발현 프로파일을 재구성하기 위해 자동에코더를 훈련하고, 재구성 오차를 사용하여 중복 유전자를 걸러낸다.
• SHAP 값에 기반한 맞춤형 XAI 기반 점수를 계산하여 특성의 모델 예측 기여도에 따라 순위를 매긴다.
• 임계값 기반 선택(β = 0.85)을 사용하여 각 클러스터에서 상위 특성을 반복적으로 선택하고, 더 이상 고려하지 않도록 제거한다.
• 선택된 유전자 하위집합에서 최종 신경망을 훈련하고, 특성 중요도 검증을 위해 다시 SHAP 값을 계산한다.
• 모델 훈련 이전에 SMOTE를 적용하여 불균형한 클래스(클래스 0: 23명, 클래스 1: 74명)를 재균형화한다.

실험 결과

연구 질문

• RQ1 딥러닝과 XAI의 융합적 접근이 예측 성능를 유지하면서도 유전체 특성 공간을 효과적으로 축소시킬 수 있는가?
• RQ2 원래 공간에서의 차원 축소 없이 자동에코더를 어떻게 사용하여 클러스터 내 대표 유전자를 식별할 수 있는가?
• RQ3 SHAP 기반 특성 선택 점수는 유전체 분류에서 모델의 해석 가능성과 성능 향상에 어느 정도 기여하는가?
• RQ4 알고리즘이 CLL 예후 예측에 유의미한 소규모 유전자 집합을 식별할 수 있는가?
• RQ5 SHAP 값에 기반한 반복적 특성 선택은 연속적인 반복 과정에서 모델 정확도에 어떤 영향을 미치는가?

주요 결과

• 알고리즘이 반복적 선택을 통해 19,367개 유전자를 50개의 정보가 풍부한 특성으로 감소시켜 최종 모델에서 100%의 분류 정확도를 달성하였다.
• 초기 반복 과정에서 상위 성능 특성을 점진적으로 제거함에 따라 정확도가 감소(77.2%에서 64.3%로)했지만, 최종 단계에서 다시 향상되었다.
• 10겹 교차 검증에서 최종 모델의 95% 신뢰구간은 79.1%에서 92.9%의 정확도를 기록하였다.
• 선택된 50개 유전자들은 SHAP 값 시각화에서 강한 상관관계와 강도 패턴을 보여 생물학적 관련성이 높음을 시사하였다.
• 이 방법은 높은 예측 능력과 해석 가능성을 갖춘 유전자 집합을 식별하여 CLL 예후 연구에서 후속 의학적 조사에 적합한 후보를 제공하였다.
• 자동에코더의 재구성 오차와 SHAP 점수의 통합은 원래 특성 공간을 변경하지 않은 채로 효과적이고 해석 가능한 특성 선택을 가능하게 하였다.