[논문 리뷰] Class-Conditional VAE-GAN for Local-Ancestry Simulation

Daniel Mas Montserrat, Carlos D. Bustamante외 1명|arXiv (Cornell University)|2019. 11. 27.

Generative Adversarial Networks and Image Synthesis참고 문헌 25인용 수 12

한 줄 요약

이 논문은 실제 단일 선조 허플로타입을 모방하는 합성 인간 게놈 서열을 생성하기 위해 클래스 조건부 VAE-GAN 모델을 제안한다. 이는 민감하거나 기밀성이 있는 게놈 데이터에 접근할 수 없어도 국소 선조 추론(LAI) 도구를 훈련시킬 수 있도록 한다. 훈련된 합성 서열을 사용할 경우 테스트 데이터에서 RFMix의 정확도가 97.72%에 도달했으며, 이는 실제 아프리카 외부 시뮬레이션 데이터에서 얻은 97.75%의 정확도에 거의 근접한 성능이다. 이는 합성 데이터가 LAI에 활용될 수 있음을 보여준다.

ABSTRACT

Local ancestry inference (LAI) allows identification of the ancestry of all chromosomal segments in admixed individuals, and it is a critical step in the analysis of human genomes with applications from pharmacogenomics and precision medicine to genome-wide association studies. In recent years, many LAI techniques have been developed in both industry and academic research. However, these methods require large training data sets of human genomic sequences from the ancestries of interest. Such reference data sets are usually limited, proprietary, protected by privacy restrictions, or otherwise not accessible to the public. Techniques to generate training samples that resemble real haploid sequences from ancestries of interest can be useful tools in such scenarios, since a generalized model can often be shared, but the unique human sample sequences cannot. In this work we present a class-conditional VAE-GAN to generate new human genomic sequences that can be used to train local ancestry inference (LAI) algorithms. We evaluate the quality of our generated data by comparing the performance of a state-of-the-art LAI method when trained with generated versus real data.

연구 동기 및 목표

• 국소 선조 추론(LAI) 도구 훈련을 위한 실제, 기밀성 있는, 또는 기업 비밀로 보호되는 게놈 데이터에 접근이 제한된 문제를 해결한다.
• 실제 인간 게놈 데이터와 유사한 합성 단일 선조 허플로타입 서열을 생성할 수 있는 생성 모델을 개발한다.
• 민감한 게놈 데이터셋에 직접 접근하지 않고도 RFMix와 같은 LAI 알고리즘을 훈련시킬 수 있도록, 훈련된 생성 모델만을 사용하도록 한다.
• 합성 데이터와 실제 데이터로 훈련된 LAI 방법의 후행 성능 측정을 통해 생성된 데이터의 품질을 평가한다.

제안 방법

• 클래스 조건부 변분 오토인코더(VAE)와 클래스 조건부 생성적 적대적 네트워크(GAN)를 조합하여 선조별로 특화된 게놈 서열을 생성한다.
• 입력 서열을 잠재 부스러기 공간으로 매핑하기 위해 VAE 인코더를 사용하며, 재구성 손실과 쿨백-라이블러 발산을 통해 정규화한다.
• 잠재 코드와 선조 레이블로부터 서열을 재구성하기 위해 디코더를 훈련하며, 평균 제곱 오차와 적대적 손실을 최소화한다.
• 실제 서열과 생성된 서열을 구별하기 위해 디스크림이네이터 네트워크를 사용하며, 현실감 있는 서열 생성을 향상시키기 위해 이진 교차 엔트로피 손실을 적용한다.
• 잠재 공간에서 표준 정규 분포 사전을 샘플링하고 선조 레이블을 사용해 디코딩하여 새로운 서열을 생성한다.
• 다양한 서열 윈도우에 서로 다른 선조를 할당하여 혼합된 개체를 시뮬레이션하기 위해 윈도우 기반 접근법을 적용한다.

실험 결과

연구 질문

• RQ1 클래스 조건부 VAE-GAN은 최신 LAI 도구를 훈련시킬 수 있을 정도로 충분히 현실적인 인간 게놈 서열을 생성할 수 있는가?
• RQ2 GAN을 통한 적대적 훈련이 VAE만을 사용한 경우에 비해 생성 서열의 품질에 어떤 영향을 미치는가?
• RQ3 합성 데이터로 훈련된 LAI 성능이 실제 아프리카 외부 시뮬레이션 데이터로 훈련된 성능과 어느 정도 유사한가?
• RQ4 생성 모델은 인구별로 특화된 연합 패턴과 유전적 상관관계를 유지한 서열을 생성할 수 있는가?

주요 결과

• VAE-GAN으로 생성된 데이터로 훈련된 RFMix는 테스트 정확도 97.72%를 기록했으며, 실제 아프리카 외부 데이터로 훈련한 경우의 97.75%에 매우 근접한 성능이다.
• VAE-only 기반 모델은 테스트 정확도가 오직 93.05%에 머물렀으며, 이는 적대적 훈련의 가치를 입증한다.
• 디스크림이네이터와 적대적 손실의 포함으로 생성 서열의 현실감이 향상되었고, 이는 LAI 작업의 후행 성능 향상으로 이어졌다.
• 모델은 각 선조당 80개의 합성 허플로타입 서열을 성공적으로 생성했으며, 생성된 개체 간의 상관계수가 낮아 중복을 방지했다.
• 이 방법은 실제 민감하거나 기밀성 있는 게놈 데이터에 접근하지 않아도 LAI 도구를 훈련시킬 수 있도록 하여, 개인정보 보호에 유리한 대안을 제공한다.
• 결과는 생성 모델이 인구 유전학 및 정밀의료 분야에서 실제 게놈 데이터의 대체 수단으로 활용될 잠재력을 입증한다.