[논문 리뷰] Genome Sequence Classification for Animal Diagnostics with Graph Representations and Deep Neural Networks

Sai Narayanan, Akhilesh Ramachandran외 2명|arXiv (Cornell University)|2020. 07. 24.

Genomics and Phylogenetic Studies참고 문헌 41인용 수 5

한 줄 요약

이 논문은 k-mer 기반 De Bruijn 그래프와 네트워크 임bedding 기법을 사용하여 소의 메타게놈 시퀀스에서 병원체 서명을 분류하기 위한 그래프 기반 딥러닝 프레임워크를 제안한다. 시뮬레이션 데이터셋에서 *Mannheimia hemolytica*를 탐지하는 데 최대 89.7%의 정확도를 기록했으며, DS500 데이터셋에서 기준 k-mer 빈도 및 graph2vec 방법보다 각각 26.2%와 7.02% 높은 성능을 보였다.

ABSTRACT

Bovine Respiratory Disease Complex (BRDC) is a complex respiratory disease in cattle with multiple etiologies, including bacterial and viral. It is estimated that mortality, morbidity, therapy, and quarantine resulting from BRDC account for significant losses in the cattle industry. Early detection and management of BRDC are crucial in mitigating economic losses. Current animal disease diagnostics is based on traditional tests such as bacterial culture, serolog, and Polymerase Chain Reaction (PCR) tests. Even though these tests are validated for several diseases, their main challenge is their limited ability to detect the presence of multiple pathogens simultaneously. Advancements of data analytics and machine learning and applications over metagenome sequencing are setting trends on several applications. In this work, we demonstrate a machine learning approach to identify pathogen signatures present in bovine metagenome sequences using k-mer-based network embedding followed by a deep learning-based classification task. With experiments conducted on two different simulated datasets, we show that networks-based machine learning approaches can detect pathogen signature with up to 89.7% accuracy. We will make the data available publicly upon request to tackle this important problem in a difficult domain.

연구 동기 및 목표

• 동물 질병 진단에서 목표 특이적이고 복수 검사 기능이 없는传통적인 PCR 및 배양 기반 진단의 한계를 해결하기 위해.
• 병원체 전용 프라이머에 대한 사전 지식이 없이도 단일 병원체 감염을 메타게놈 시퀀스에서 확장 가능한 기계학습 기반으로 탐지할 수 있는 방법을 개발하기 위해.
• 메타게놈 내 병원체와 숙주 게놈 시퀀스를 구분하는 데 있어 그래프 표현 학습 및 딥 네트워크의 효과를 평가하기 위해.
• De Bruijn 그래프를 구성하는 데 사용되는 서브시퀀스 길이(k)와 다중 작업 학습의 영향이 병원체 분류 성능에 미치는 영향을 조사하기 위해.
• 불균형한 실세계 메타게놈 데이터에서 복수 병원체를 탐지할 수 있는 향후 종단 간 시스템의 기초를 마련하기 위해.

제안 방법

• 메타게놈 시퀀스의 k-mer 표현을 기반으로 De Bruijn 그래프를 구축하여 구조화된 그래프 기반 게놈 표현을 생성하기 위해.
• 노드2vec, 최단경로 그래프 커널(SPK), 그래프릿 샘플링 커널(GSK)와 같은 다수의 네트워크 임베딩 기법을 적용하여 그래프의 저차원 벡터 표현을 생성하기 위해.
• 자동에코처럼 디코더를 통해 입력 시퀀스 재구성과 병원체 분류를 동시에 최적화하는 다중 작업 학습 목표를 사용하여 딥 네트워크 분류기 학습하기 위해.
• 통제된 조건에서 성능을 평가하기 위해 균형 잡힌 숙주 및 병원체 시퀀스를 포함한 시뮬레이션 데이터셋(DS500 및 DS5000)을 사용하기 위해.
• 정확도 및 F1-스코어와 같은 표준 분류 지표를 사용하여 원시 k-mer 빈도 및 graph2vec 임베딩과 같은 기준 방법과 성능 비교하기 위해.
• k-mer 길이(k)와 다중 작업 학습 및 디코더 구성 요소의 포함 여부가 모델 정확도에 미치는 영향을 평가하기 위해 추론 실험 수행하기 위해.

실험 결과

연구 질문

• RQ1 기존의 k-mer 빈도 방법에 비해 메타게놈 시퀀스의 그래프 기반 표현이 병원체 분류 정확도를 향상시킬 수 있는가?
• RQ2 노드2vec, SPK, GSK와 같은 다양한 네트워크 임베딩 기법은 소의 메타게놈에서 병원체와 숙주 시퀀스를 어떻게 효과적으로 구분하는가?
• RQ3 재구성 목표를 포함한 다중 작업 학습이, 특히 작은 데이터셋에서 일반화 능력을 향상시키고 과적합을 줄이는 데 기여하는가?
• RQ4 De Bruijn 그래프를 구성하는 데 사용되는 k-mer 길이(k)의 변동에 모델 성능이 얼마나 민감한가?
• RQ5 디코더 네트워크와 다중 작업 훈련의 포함 여부가 분류 성능 향상에 어느 정도 기여하는가?

주요 결과

• 제안된 딥러닝 모델은 그래프 임베딩를 사용하여 DS5000 데이터셋에서 최대 89.7%의 정확도를 기록했으며, 이는 기준 k-mer 빈도 방법보다 유의미하게 높은 성능을 보였다.
• DS500 데이터셋에서 기준 k-mer 빈도 방법보다 26.2% 높은 정확도를 기록했고, graph2vec보다는 7.02% 높은 성능를 보여, 그래프 기반 표현의 효과성을 입증했다.
• 최단경로 그래프 커널(SPK) 임베딩는 다양한 k 값과 분류기 유형에서 일관된 성능을 보였으며, 노드2vec는 k 증가에 더 민감했으며, DS500에서 k가 2에서 6으로 증가할 때 정확도가 약 17% 감소했다.
• 분류 및 재구성 목표를 함께 최적화하는 다중 작업 학습은 DS500에서 평균 6.65% 향상되었고, DS5000에서는 5.77% 향상되어 일반화 능력 향상과 과적합 감소를 시사했다.
• 디코더 네트워크를 제거하면 DS500에서 평균 8.43%, DS5000에서는 평균 7.64% 정확도가 감소하여, 다중 작업 프레임워크에서 재구성 목표의 중요성을 강조했다.
• 그래프릿 샘플링 커널(GSK)은 다양한 분류기와 k 값에서 높은 내성성을 보였으며, 특징 표현의 강건성을 시사했다.