[논문 리뷰] Generating and designing DNA with deep generative models

Nathan Killoran, Leo J. Lee외 3명|arXiv (Cornell University)|2017. 12. 17.

RNA and protein synthesis mechanisms참고 문헌 34인용 수 110

한 줄 요약

이 논문은 DNA를 위한 세 가지 심층 생성 접근법을 제시한다: GAN 기반의 DNA 서열 생성기, 활성화를 최대화하는 DNA 적응의 방법, 그리고 서열의 원하는 특성을 맞추기 위한 공동 생성기–예측자 설계 프레임워크로, 단백질 결합 프롬 프로브 설계에 시연된다.

ABSTRACT

We propose generative neural network methods to generate DNA sequences and tune them to have desired properties. We present three approaches: creating synthetic DNA sequences using a generative adversarial network; a DNA-based variant of the activation maximization ("deep dream") design method; and a joint procedure which combines these two approaches together. We show that these tools capture important structures of the data and, when applied to designing probes for protein binding microarrays, allow us to generate new sequences whose properties are estimated to be superior to those found in the training data. We believe that these results open the door for applying deep generative models to advance genomics research.

연구 동기 및 목표

• DNA 서열 생성 및 설계에 심층 생성 모델을 동기 부여하고 적용한다.
• 현실적인 DNA 서열을 생성하기 위해 GAN 기반 생성기를 개발한다.
• 속성 주도 설계를 위한 이산 DNA 데이터에 활성화 최대화를 적응시킨다.
• 서열을 조정하기 위해 생성기와 속성 예측기를 결합한 공동 아키텍처를 만든다.
• 학습 데이터 이상으로 향상된 결합 특성을 가진 DNA 프로브 설계 시연한다.

제안 방법

• DNA를 원-핫 인코딩 시퀀스로 표현하고 현실적인 시퀀스 분포를 학습하기 위해 Wasserstein GAN (WGAN)을 훈련한다.
• 소프트맥스 프리-레이어를 가진 연속 잠재 공간 z를 사용하여 시퀀스 분포에 매핑하고, 그레이디언트 기반 생성을 가능하게 한다.
• 예측기 P(x)를 사용하여 타깃 특성에 맞게 잠재 공간에서 활성화 최대화를 적용한다.
• 현실성 및 속성 최적화를 동시에 허용하는 공동 z -> x -> t 파이프라인을 형성하기 위해 생성기 G와 함께 활성화 최대화를 확장한다.
• 생성된 시퀀스에서 모티프 매칭을 보여주기 위해 명시적 모티프 예측기(WPM 기반)를 사용해 시퀀스를 설계한다.
• 실험적 결합 데이터로 훈련된 학습된 예측기(오라클)를 활용하여 더 높은 결합 스코어를 향해 시퀀스 설계를 안내한다.
• 생성기를 통한 현실성을 제약하면서 다중 예측기를 결합하여 다중 특성 최적화를 탐구한다.

실험 결과

연구 질문

• RQ1 GAN이 현실적인 DNA 시퀀스 구조를 학습하고 학습 데이터 세트를 넘어 일반화를 보일 수 있는가?
• RQ2 연속 완화(연속 relaxation)를 통해 이산 DNA 시퀀스에 활성화 최대화를 적응시켜 목표 특성을 최적화할 수 있는가?
• RQ3 공동 생성기–예측자 아키텍처가 목표 특성을 최대화하면서 생물학적으로 타당성을 유지하는 DNA 시퀀스를 생성하는가?
• RQ4 다중 결합 특성이나 제약 간의 균형을 맞추고 학습 데이터를 넘어 일반화하는 시퀀스를 설계하는 것이 가능한가?

주요 결과

• 50-nt 인간 염색체 1 서열에 대해 학습된 WGAN은 현실적인 DNA 구조를 포착하고 학습 데이터에 과적합되지 않는다.
• GAN이 생성한 서열은 학습 데이터와 유사한 인식 가능한 엑손 스플라이스 부위 신호를 보인다.
• 연속 잠재 표현을 가진 DNA에서의 활성화 최대화는 서열을 원하는 특성으로 유도할 수 있다.
• 공동 생성기–예측자 프레임워크는 예측기가 제한된 데이터로 훈련되었더라도 학습 데이터에 보인 것보다 더 높은 결합 점수를 가진 서열을 생성할 수 있다.
• 이 접근법은 다중 속성 설계를 지원하여 현실성을 유지하면서 서로 경쟁하는 결합 점수 간에 트레이드오프를 갖는 서열을 가능하게 한다.
• 잠재 공간 탐색은 잠재 벡터와 생성된 서열 사이의 보완적 유사 관계와 같은 의미 있는 구조를 드러낸다.