[논문 리뷰] FluxGAT: Integrating Flux Sampling with Graph Neural Networks for Unbiased Gene Essentiality Classification

Kieren Sharma, Lucia Marucci외 1명|arXiv (Cornell University)|2024. 03. 27.

Machine Learning in BioinformaticsBiochemistry, Genetics and Molecular Biology인용 수 3

한 줄 요약

FluxGAT는 대사 반응 네트워크에서 유전자 필수성을 직접 유전자 대사 유량 샘플링 데이터로부터 예측하는 그래프 신경망을 도입한다. 이는 대사 유량 균형 분석(FBA)에서 사전 정의된 목표 함수가 필요로 하는 것을 회피함으로써, 중국 통사다람쥐 난세포에서 FBA보다 거의 두 배 높은 민감도(0.576 대 0.304)를 달성하며 관찰자 편향을 줄이고 다양한 생물학적 시스템에 더 일반화된 예측이 가능하게 한다.

ABSTRACT

Gene essentiality, the necessity of a specific gene for the survival of an organism, is crucial to our understanding of cellular processes and identifying drug targets. Experimental determination of gene essentiality requires large growth screens that are time-consuming and expensive, motivating the development of in-silico approaches. Existing methods predominantly utilise flux balance analysis (FBA), a constraint-based optimisation algorithm; however, they are fundamentally limited by the necessity of a predefined cellular objective function. This requirement introduces an element of observer bias, as the objective function often reflects the researcher's assumptions rather than the cell's biological goals. Here, we present FluxGAT, a graph neural network (GNN) model capable of predicting gene essentiality directly from graphical representations of flux sampling data. Flux sampling removes the need for objective functions, thereby eliminating observer bias. FluxGAT leverages the unique strengths of GNNs in learning representations of complex relationships within metabolic reaction networks. The success of our approach in predicting experimentally determined gene essentiality, with almost double the sensitivity of FBA, explores the possibility of predicting cellular phenotypes in cases when objectives are less understood. Thus, we demonstrate a method for more general gene essentiality predictions across a broader spectrum of biological systems and environments.

연구 동기 및 목표

• 대사 유량 균형 분석(FBA)에서 내재된 관찰자 편향을 해결하기 위해, 진정한 생물학적 목표를 반영하지 않을 수 있는 사전 정의된 세포 목표에 의존하는 문제를 해결한다.
• 가정된 목표에 의존하지 않고, 내재된 네트워크 구조와 유량 분포 데이터를 사용하여 유전자 필수성을 예측하는 기계학습 접근법을 개발한다.
• 목표 함수가 잘 정의되지 않은 비모델 생물 및 복잡한 시스템에서 필수성 예측의 민감도를 향상시키기 위해 노력한다.
• 그래프 신경망이 유량 샘플링 분포에서 효과적으로 학습하여 기존 FBA보다 더 높은 정확도로 유전자 필수성을 분류할 수 있음을 보여주기 위해 노력한다.
• 대사 네트워크에서 세포 표현형을 더 일반화되고 편향 없이 시뮬레이션할 수 있도록 한다.

제안 방법

• 유량 샘플링을 사용하여 타당한 대사 유량 상태의 분포를 생성함으로써 사전 정의된 목표 함수가 필요 없도록 한다.
• 노드는 반응을, 엣지는 공유 대사산물을 나타내는 가중치가 부여된 대사 반응 네트워크를 구성한다.
• 그래프 어텐션 네트워크(GATs)는 네트워크 구조를 처리하며, 위상적 및 유량 기반 특징에 기반한 노드 수준의 임베딩을 메시지 전달 메커니즘을 통해 학습한다.
• 노드 특징에는 스토이히오메트리 및 열역학적 제약 조건과 같은 반응의 화학적 성질이 GNN 입력에 통합된다.
• 최종 노드 표현은 시그모이드 활성화 함수를 사용하는 밀집층을 통과하여 이진 분류를 수행한다. (필수성: 필수 대비 비필수)
• 모델은 CRISPR 스크리닝에서 확보한 알려진 필수성 레이블을 기반으로 엔드 투 엔드로 훈련되며, 교차 검증 및 FBA와의 비교를 통해 성능 평가된다.

실험 결과

연구 질문

• RQ1 대사 유량 균형 분석에서 사전 정의된 목표 함수가 필요 없도록 함으로써, 유전자 필수성을 더 높은 민감도로 예측할 수 있는가?
• RQ2 유량 샘플링 데이터를 기반으로 훈련된 그래프 신경망은 실험적으로 확인된 유전자 필수성을 FBA보다 어떻게 예측하는가?
• RQ3 유전자 필수성 예측에 있어 관찰자에 의해 정의된 목표가 아닌 내재된 네트워크 및 유량 특성에서 학습함으로써 FluxGAT는 다양한 생물학적 시스템으로 일반화될 수 있는가?
• RQ4 위상적 특징과 유량 기반 특징은 유전자 필수성 예측에서 시퀀스 또는 위상 전용 방법보다 얼마나 기여하는가?
• RQ5 GNN의 어텐션 가중치는 반응 네트워크 내에서 생물학적으로 의미 있는 관계를 어떻게 반영하는가?

주요 결과

• FluxGAT는 iCHO2291 게놈 규모 대사 모델에서 필수 유전자를 식별하는 데 민감도 0.576를 달성하였으며, 이는 FBA의 0.304에 비해 거의 두 배 높은 수준이다.
• FluxGAT는 FBA가 레이블을 지정한 41개의 필수 유전자 중 32개를 정확히 식별하였고, FBA가 놓친 추가 44개의 필수 유전자를 발견하였다. 다만, 14개의 가짜 양성 결과가 있었다.
• 모델은 높은 특이도(0.977)를 유지하였으며, FBA의 0.985와 유사하여 비필수 유전자 분류의 정밀도가 높다는 것을 시사한다.
• FluxGAT는 FBA의 94개에서 56개로 오진 음성 수를 크게 줄였으며, 필수 유전자에 대한 재현율을 크게 향상시켰다.
• 관찰자에 의해 정의된 목표에 의존하지 않고 유량 분포에서 학습함으로써 일반화 능력이 향상되어 비모델 생물에 대한 더 넓은 적용 가능성을 보였다.
• FluxGAT의 어텐션 메커니즘은 생물학적으로 관련성이 있는 반응 간 관계를 드러내어 향후 시스템 생물학 응용 분야에서 해석 가능성 잠재력을 보여주었다.