[논문 리뷰] Disease Classification in Metagenomics with 2D Embeddings and Deep Learning

Thanh Hai Nguyen, Edi Prifti외 3명|arXiv (Cornell University)|2018. 06. 23.

Genomics and Phylogenetic Studies참고 문헌 2인용 수 22

한 줄 요약

이 논문은 메타게놈학적 풍부도 데이터를 계통발생학적 및 t-SNE 임bedding를 사용하여 2차원 합성 이미지로 변환하는 Met2Img를 제안한다. 이는 CNN 기반의 딥러닝 분류를 가능하게 하며, 12개의 벤치마크 데이터셋에서 최신 기술 수준(SOTA) 성능을 달성한다. 특히 히트맵 색상 맵을 사용한 Fill-up binning을 통해 계통발생 정보를 통합함으로써 랜덤 포레스트 및 SVM보다 뚜렷하게 뛰어난 성능을 보인다.

ABSTRACT

Deep learning (DL) techniques have shown unprecedented success when applied to images, waveforms, and text. Generally, when the sample size ($N$) is much bigger than the number of features ($d$), DL often outperforms other machine learning (ML) techniques, often through the use of Convolutional Neural Networks (CNNs). However, in many bioinformatics fields (including metagenomics), we encounter the opposite situation where $d$ is significantly greater than $N$. In these situations, applying DL techniques would lead to severe overfitting. Here we aim to improve classification of various diseases with metagenomic data through the use of CNNs. For this we proposed to represent metagenomic data as images. The proposed Met2Img approach relies on taxonomic and t-SNE embeddings to transform abundance data into "synthetic images". We applied our approach to twelve benchmark data sets including more than 1400 metagenomic samples. Our results show significant improvements over the state-of-the-art algorithms (Random Forest (RF), Support Vector Machine (SVM)). We observe that the integration of phylogenetic information alongside abundance data improves classification. The proposed approach is not only important in classification setting but also allows to visualize complex metagenomic data. The Met2Img is implemented in Python.

연구 동기 및 목표

• 기존의 딥러닝 기법이 과적합 문제로 인해 실패하는 고차원, 소표본 수의 메타게놈 데이터 문제를 해결하기 위해.
• 풍부도 데이터를 컨volution 신경망(CNN)에 적합한 시각적 표현으로 변환함으로써 메타게놈학적 질병 분류 정확도를 향상시키기 위해.
• Fill-up, t-SNE, QTF와 같은 다양한 임베딩 및 바인딩 전략의 효과를 평가하여 정보가 풍부한 2차원 이미지 표현을 만들기 위해.
• 대체로 표현 학습 과정에 계통발생 지식을 통합하여 분류 성능 향상을 도모하기 위해.
• 복잡한 메타게놈 데이터 분석을 위한 가시성 있고 해석 가능한 프레임워크를 제공하기 위해.

제안 방법

• 계통발생 계층에 따라 특징을 정렬하고 풍부도에 따라 색상을 할당하는 Fill-up 바인딩을 사용하여 메타게놈 풍부도 데이터(종 또는 분류군 수준)를 2차원 이미지로 변환한다.
• 고차원 풍부도 벡터를 국소적 구조를 유지하면서 2차원 공간으로 투영하기 위해 t-SNE 차원 감소 기법을 적용한다.
• 세 가지 바인딩 방법(종 기반 바인딩(SPB), 분위수 기반 바인딩(QTF), 비율 기반 표현(PR))과 다양한 색상 맵(히트맵, GRAY, 블랙/화이트)을 사용하여 합성 이미지를 생성한다.
• 생성된 이미지에서 2차원 컨volution 신경망(CNN)과 완전 연결(FC) 네트워크를 훈련 및 평가하여 질병 분류를 수행한다.
• 데이터 누출을 방지하고 과적합을 피하기 위해 이미지 표현을 생성하는 데 훈련 데이터만을 사용한다.
• 5겹 교차 검증을 반복 실행하고 독립된 데이터셋에서 외부 검증을 수행하여 성능을 평가한다.

실험 결과

연구 질문

• RQ1 메타게놈 풍부도 데이터를 2차원 합성 이미지로 변환하는 것이 기존의 머신러닝 기법보다 딥러닝 기반의 질병 분류 성능을 향상시키는가?
• RQ2 Fill-up 바인딩를 통해 계통발생적 구조를 이미지 표현에 통합하면 t-SNE 기반 또는 무작위 바인딩 방법보다 분류 성능이 향상되는가?
• RQ3 다양한 이미지 생성 전략(Fill-up, t-SNE, QTF)과 색상 스킴(히트맵, GRAY, 블랙/화이트)이 메타게놈 데이터에서 CNN의 성능에 어떤 영향을 미치는가?
• RQ4 2차원 이미지 표현으로부터의 성능 향상은 다양한 질병 유형과 종 및 분류군의 풍부도가 다른 여러 데이터셋에서 일관되게 유지되는가?
• RQ5 제안된 방법은 Ph-CNN 및 MetAML과 같은 최신 기술 수준의 모델보다 벤치마크 메타게놈 데이터셋에서 뛰어난 성능을 달성할 수 있는가?

주요 결과

• Met2Img는 12개의 벤치마크 데이터셋에서 랜덤 포레스트 및 SVM보다 뚜렷하게 뛰어난 성능을 보이며, 히트맵 이미지를 사용한 Fill-up 바인딩를 적용한 CNN 모델이 내부 검증에서 평균 MCC 0.616을 기록해 최고의 성능을 달성했다.
• 히트맵 색상 맵을 사용한 Fill-up 바인딩는 t-SNE 기반 이미지보다 성능이 뛰어나 세 가지 데이터셋(CIR, IBD, OBE)에서 유의미한 향상을 보였고, 나머지 데이터셋에서도 유사한 성능를 기록했다.
• 그레이 이미지를 사용한 Fill-up 바인딩 기반 CNN 모델은 그레이 및 블랙/화이트 이미지에서 FC 모델보다 뛰어난 성능를 보였지만, FC 모델은 색상 이미지에서는 CNN보다 뛰어났다. 이는 이미지 유형에 따라 모델 아키텍처 간의 상호작용이 있음을 시사한다.
• Sokol 연구소의 IBD 데이터셋에서, Met2Img는 Fill-up 및 QTF 기반으로 6개 외부 검증 세트 중 5개에서 Ph-CNN를 초월했으며, MCC 점수는 각각 CDf: 0.930, CDr: 0.868, iCDf: 0.919, iCDr: 0.580, UCf: 0.826, UCr: 0.777를 기록했다.
• SPB 기반 Fill-up 바인딩는 두 개의 IBD 하위형태(CDf 및 iCDf)에서 외부 MCC 점수 1.000을 기록해 뛰어난 내재적 안정성과 예측 능력을 입증했다.
• Fill-up 바인딩에 계통발생 지식을 통합함으로써 더 해석 가능하고 효과적인 표현이 가능해졌으며, t-SNE에 비해 특징의 가시성이 높고 겹침 현상이 감소한 것으로 확인되었다.