[논문 리뷰] Cross-modality Matching and Prediction of Perturbation Responses with Labeled Gromov-Wasserstein Optimal Transport

Jayoung Ryu, Charlotte Bunne외 3명|arXiv (Cornell University)|2024. 05. 01.

Plant Surface Properties and Treatments인용 수 6

한 줄 요약

다중 모달 단일세포 교란 데이터에서 perturbation 라벨을 이용해 GWOT/COOT를 확장하고 교차 모달리티 정합을 개선하며 모달리티 간 교란 반응을 예측합니다.

ABSTRACT

It is now possible to conduct large scale perturbation screens with complex readout modalities, such as different molecular profiles or high content cell images. While these open the way for systematic dissection of causal cell circuits, integrated such data across screens to maximize our ability to predict circuits poses substantial computational challenges, which have not been addressed. Here, we extend two Gromov-Wasserstein Optimal Transport methods to incorporate the perturbation label for cross-modality alignment. The obtained alignment is then employed to train a predictive model that estimates cellular responses to perturbations observed with only one measurement modality. We validate our method for the tasks of cross-modality alignment and cross-modality prediction in a recent multi-modal single-cell perturbation dataset. Our approach opens the way to unified causal models of cell biology.

연구 동기 및 목표

• 다중 모달 교란 스크린에서 세포가 서로 다른 읽기 방식(RNA, 단백질, 이미지)으로 프로파일링되고 교란으로 라벨링된 상황을 동인으로 삼습니다.
• 교란 라벨을 활용하기 위한 엔트로피 GWOT(EGWOT)와 COOT의 라벨화 확장을 개발합니다.
• 라벨 정보를 가진 GWOT/COOT가 교차 모달 매칭을 개선하고 교란 반응의 샘플 밖 예측을 가능하게 함을 입증합니다.
• 세포 생물학의 인과 모델링을 가능하게 하는 오픈 소스 구현 및 다중 모달 교란 데이터셋 벤치마킹을 제공합니다.

제안 방법

• l-호환 결합을 강제하는 라벨-아이덴티티 제약 B^l 정의: T_ij>0인 경우에만 l_x_i = l_y_j.
• 라벨화된 엔트로피 규칙(EGWOT)인 Labeled Entropic-regularized GWOT(Labeled EGWOT)을 제안하고 l-호환 OT 계획의 구조적 형태를 증명합니다.
• 비용이 합의 함수 형태인 경우 라벨-지정 GWOT 비용을 가속할 수 있음을 보여 대규모 교란 스크린에서 더 빠른 계산이 가능하다는 것을 보입니다.
• Labeled COOT(ECOOT 포함)을 라벨별 샘플 수송을 공동으로 최적화하고 라벨 간 공유되는 글로벌 피처 수송과 함께 적용합니다.
• 학습된 결합 T를 사용하여 RNA를 단백질 측정에서 예측하는 교차 모달 예측기(MLP)를 학습하고 T_i· / sum T_i·를 샘플링 j ~ Multinomial(T_i· / sum T_i·)로 통해 예측합니다.
• 다중 모달 교란 데이터셋에서 라벨 없는 OT/GWOT, DAVAE 및 라벨별 변형과 벤치마크하여 매칭, 예측, 피처 매칭 평가를 수행합니다.

실험 결과

연구 질문

• RQ1 Perturbation 라벨이 RNA와 단백질(또는 다른 모달리티) 간의 교차 모달 정합을 향상시킬 수 있는가?
• RQ2 라벨링된 GWOT/COOT 확장이 라벨이 없는 방법에 비해 샘플 매칭 및 perturbation 반응의 예측 정확도를 향상시키는가?
• RQ3 한 모달리티의 관찰로부터 다른 모달리티의 perturbation 효과를 정확하게 out-of-sample으로 예측하는 데 라벨 정보를 도입하면 가능한가?

주요 결과

방법	Bary FOSCTTM (↓)	용량 매칭 (↑)	평균 순위	R_v (↑)	ρ_v (↑)	R_s (↑)	ρ_s (↑)	MSE (↓)	평균 순위	강화(↑)
Perfect	0	1	-	0.107	0.118	0.163	0.149	0.258	-	6.95
By dosage	0.239	1	-	0.0812	0.0448	0.0903	0.0863	0.264	-	5.16
Uniform per label	0.298	0.357	-	0.0794	0.0403	0.0761	0.0781	0.264	-	1.85
EOT	no label	0.428	0.040	9	0.0482	0.007	0.0068	0.0063	0.287	7	1.10
per label	0.336	0.346	5	0.0544	0.0239	0.0345	0.0307	0.283	5.2	1.26
ECOOT	no label	0.414	0.049	8	0.053	0.0207	0.0395	0.0408	0.282	5	1.07
per label	0.332	0.381	4	0.0785	0.0449	0.0737	0.0737	0.265	2.6	1.26
labeled	0.270	0.456	2	0.0852	0.0523	0.0854	0.0778	0.265	1.6	5.31
EGWOT	no label	0.373	0.068	7	0.0631	0.0227	0.0302	0.034	0.282	4.8	3.74
per label	0.283	0.452	3	0.0836	0.044	0.0854	0.0825	0.264	1.8	19.8
labeled	0.332	0.381	4	0.0785	0.0449	0.0737	0.0737	0.265	2.6	1.26
DAVAE	no label	0.231	0.206	3	0.0342	-0.0069	0.0006	-0.0001	0.33	8	-
labeled	0.242	0.205	4	0.0182	-0.0079	-0.0016	-0.0014	0.332	9	-

• 라벨링된 GWOT 기반 방법(EGWOT 및 ECOOT)이 매칭 및 예측에서 라벨 없이 OT/GWOT 기반 벤치마크를 능가합니다.
• perturbation 라벨의 도입으로 서로 다른 perturbation 간 정보 공유가 가능해 전역 토폴로지 학습 및 샘플 결합이 향상됩니다.
• 라벨별 GWOT 변형은 라벨이 없는 방식보다 개선되나 라벨 간 정보 공유로 인해 전체적으로 완전히 라벨화된 접근법이 더 우수합니다.
• DAVAE 벤치마크와 비교했을 때 라벨링된 GWOT 방법이 더 나은 매칭과 예측을 달성하고, DAVAE는 예측 성능이 더 약합니다.
• 해당 프레임워크는 샘플 매칭, 예측 및 피처 매칭에서 우수한 성능을 제공하며 교차 모달 피처의 해석 가능성을 높일 수 있습니다.
• 재현 가능한 벤치마킹을 위한 코드와 데이터(genentech/perturb-OT)가 제공됩니다.