[논문 리뷰] DeepQuality: Mass Spectra Quality Assessment via Compressed Sensing and Deep Learning

Chunwei Ma|arXiv (Cornell University)|2017. 10. 31.

Advanced Proteomics Techniques and Applications참고 문헌 5인용 수 6

한 줄 요약

DeepQuality는 압축 측정 기반의 딥러닝 기법을 활용해 질량분석 데이터 품질 평가를 자동화하는 방법을 제안하며, 두 개의 공개 복합 질량분석 데이터셋에서 AUC 0.96과 0.92를 기록하여 기존 방법들을 능가한다. 이는 SpectrumQuality v2.0의 AUC 0.85와 0.91보다 유의미하게 높은 정확도를 확보한 것이다.

ABSTRACT

Motivation: Mass spectrometry-based proteomics is among the most commonly used methods for scrutinizing proteomic profiles in different organs for biological or medical researches. All the proteomic analyses including peptide/protein identification and quantification, differential expression analysis, biomarker discovery and so on are all based on the matching of mass spectra with peptide sequences, which is significantly influenced by the quality of the spectra, such as the peak numbers, noisy peaks, signal-to-noise ratios, etc. Hence, it is crucial to assess the quality of the spectra in order for filtering and/or post-processing after identification. The handcrafted features representing spectra quality, however, need human expertise to design and are difficult to optimize, and thus the existing assessing algorithms are still lacking in accuracy. Thus, there is a critical need for the robust and adaptive algorithm for mass spectra quality assessment. Results: We have developed a novel mass spectrum assessment software DeepQuality, based on the state-of-the-art compressed sensing and deep learning algorithms. We evaluated the algorithm on two publicly available tandem MS data sets, resulting in the AUC of 0.96 and 0.92, respectively, a significant improvement compared with the AUC of 0.85 and 0.91 of the existing method SpectrumQuality v2.0. Availability: Software available at https://github.com/horsepurve/DeepQuality

연구 동기 및 목표

• 수동으로 설계된 특징(feature)의 한계를 해결하기 위해, 전문가의 설계가 필요하고 최적화가 어려운 수작업 특징의 문제를 해결하고자 한다.
• 높은 품질의 질량분석 스펙트럼을 정확하게 식별할 수 있는 강력하고 적응 가능한 알고리즘을 개발하고자 한다.
• 원시 스펙트럼 데이터로부터 엔드 투 엔드 학습을 통해 수동 특징 설계에 대한 의존도를 줄이고자 한다.
• 저품질 스펙트럼의 효과적인 필터링 및 후처리를 가능하게 하여 후속 프로테오믹스 분석 성능을 향상시키고자 한다.

제안 방법

• 이 방법은 차원 축소를 통해 질량분석 스펙트럼 데이터를 효율적으로 표현하면서도 핵심 특징을 유지하는 데 압축 측정 기법을 활용한다.
• 압축된 스펙트럼 표현을 기반으로 딥 네트워크를 엔드 투 엔드로 훈련하여 품질 점수를 예측한다.
• 수동 특징 추출을 회피하고 데이터에서 직접 구분 가능한 패턴을 학습한다.
• 라벨이 부여된 스펙트럼을 이용한 지도 학습을 통해 스펙트럼 품질 분류에 최적화된 아키텍처를 설계한다.
• 압축 측정에서 유도된 희박성 제약 조건을 통합하여 일반화 능력을 향상시키고 과적합을 줄인다.
• 재현성과 강건성을 확보하기 위해 두 개의 공개된 복합 질량분석 데이터셋을 대상으로 프레임워크를 검증한다.

실험 결과

연구 질문

• RQ1 압축된 질량분석 스펙트럼 표현을 기반으로 훈련된 딥러닝 모델이 기존 수작업 특징 기반 방법보다 품질 평가 성능에서 뛰어나게 되는가?
• RQ2 압축 측정과 딥러닝의 통합이 감소된 차원 공간 내에서 스펙트럼 품질 정보를 얼마나 효과적으로 유지하는가?
• RQ3 제안된 방법이 노이즈와 피크 특성이 다양한 서로 다른 복합 질량분석 데이터셋 간에 얼마나 잘 일반화되는가?
• RQ4 엔드 투 엔드 학습 접근법이 전문가가 설계한 특징에 대한 의존도를 줄이며 분류 정확도를 향상시키는가?

주요 결과

• DeepQuality는 첫 번째 공개 복합 질량분석 데이터셋에서 AUC 0.96을 기록하여 SpectrumQuality v2.0의 AUC 0.85를 뛰어넘었다.
• 두 번째 데이터셋에서는 AUC 0.92를 달성하여 SpectrumQuality v2.0의 AUC 0.91를 초월했다.
• 수동 특징 조정 없이도 다양한 스펙트럼 조건에서 뛰어난 강건성과 일반화 능력을 보였다.
• 압축 측정과 딥러닝의 통합을 통해 계산 오버헤드를 줄이며 고정밀도 품질 평가가 가능했다.
• 결과적으로 엔드 투 엔드 딥러닝을 통해 압축된 데이터에서 전통적인 특징 기반 접근법보다 더 효과적으로 스펙트럼 품질 패턴을 포착할 수 있음을 확인했다.