Skip to main content
QUICK REVIEW

[논문 리뷰] Jointly Embedding Multiple Single-Cell Omics Measurements

Liu, Jie, Huang, Yuanhao|arXiv (Cornell University)|2019. 01. 01.
Generative Adversarial Networks and Image SynthesisComputer Science참고 문헌 23인용 수 1,273
한 줄 요약

이 논문은 사이클 일致성 생성과 적대적 훈련을 강제함으로써 쌍이 맞지 않는, 레이블이 없는 이미지 데이터셋 간의 교차 도메인 관계를 학습하는 디스코GAN(DiscoGAN)을 제안한다. 이 모델은 손잡이에서 신발, 얼굴에서 자동차, 윤곽선에서 사진에 이르기까지 도메인 간 이미지 번역을 성공적으로 수행하며, 정체성, 방향성, 스타일과 같은 핵심 속성을 유지한다. 이는 모드 붕괴에 대해 강건하고, 쌍이 맞는 데이터가 없이도 효과적인 이방향 매핑을 가능하게 한다.

ABSTRACT

Many single-cell sequencing technologies are now available, but it is still difficult to apply multiple sequencing technologies to the same single cell. In this paper, we propose an unsupervised manifold alignment algorithm, MMD-MA, for integrating multiple measurements carried out on disjoint aliquots of a given population of cells. Effectively, MMD-MA performs an in silico co-assay by embedding cells measured in different ways into a learned latent space. In the MMD-MA algorithm, single-cell data points from multiple domains are aligned by optimizing an objective function with three components: (1) a maximum mean discrepancy (MMD) term to encourage the differently measured points to have similar distributions in the latent space, (2) a distortion term to preserve the structure of the data between the input space and the latent space, and (3) a penalty term to avoid collapse to a trivial solution. Notably, MMD-MA does not require any correspondence information across data modalities, either between the cells or between the features. Furthermore, MMD-MA’s weak distributional requirements for the domains to be aligned allow the algorithm to integrate heterogeneous types of single cell measures, such as gene expression, DNA accessibility, chromatin organization, methylation, and imaging data. We demonstrate the utility of MMD-MA in simulation experiments and using a real data set involving single-cell gene expression and methylation data.

연구 동기 및 목표

  • 쌍이 맞는 훈련 데이터가 없이도 시각적 도메인 간 교차 도메인 관계를 학습하는 데 도전하는 것.
  • 명시적인 감독이나 애너테이션 없이도 도메인 간 이미지 간 번역을 가능하게 하는 방법을 개발하는 것.
  • 사이클 일관성과 적대적 훈련을 통해 학습된 매핑이 이원적이고 강건하도록 보장하는 것.
  • 모델이 정체성과 방향성과 같은 구조적 속성을 유지하면서 스타일을 전이할 수 있는 능력을 입증하는 것.

제안 방법

  • 도메인 A와 B 간의 양방향 매핑을 위한 두 개의 생성자(GAB 및 GBA)를 사용하는 사이클 일관성 GAN 프레임워크(디스코GAN)를 제안한다.
  • GBA(GAB(xA)) ≈ xA 및 GAB(GBA(xB)) ≈ xB를 만족시키기 위해 복원 손실을 구현함으로써 사이클 일관성을 강제한다.
  • 생성된 이미지가 각각의 도메인 내에서 실제 이미지와 구별되지 않도록 하는 적대적 손실을 디스커미네이터 DB 및 DA를 통해 구현한다.
  • 스트라이드 컨벌루션과 디컨벌루션을 사용하는 인코더-디코더 네트워크 기반의 생성자 아키텍처를 활용하며, 리 leaky ReLU 활성화 함수를 사용한다.
  • 정확한 역함수 계산을 위한 하드 최적화를 피하기 위해 L1 또는 L2 거리 기반의 부드러운 제약 조건을 적용한다.
  • 쌍이 맞지 않는 데이터셋을 사용하여 종단 간 훈련을 수행함으로써 인간이 애너테이션한 쌍이 없이도 교차 도메인 관계를 자가 탐색할 수 있도록 한다.

실험 결과

연구 질문

  • RQ1쌍이 맞는 훈련 데이터가 전혀 없이도 GAN 기반 모델이 두 시각적 도메인 간 의미 있는 교차 도메인 관계를 학습할 수 있는가?
  • RQ2사이클 일관성과 적대적 훈련이 함께 작용할 때 이미지 번역 품질을 향상시키고 모드 붕괴를 방지하는 데 어떻게 기여하는가?
  • RQ3매우 다른 도메인 간에 이미지 간 번역 시 디스코GAN이 정체성, 방향성, 구조적 속성을 얼마나 잘 유지할 수 있는가?
  • RQ4모델은 에지에서 사진, 얼굴에서 자동차, 손잡이에서 신발 번역과 같은 다양한 이미지 번역 작업으로 일반화될 수 있는가?
  • RQ5모델은 번역 매핑을 반복 적용했을 때 얼마나 강건한가?

주요 결과

  • 디스코GAN은 손잡이에서 신발, 자동차에서 얼굴, 윤곽선에서 사진에 이르기까지 도메인 간 이미지 번역을 성공적으로 수행하며, 현실적이며 의미적으로 일관된 출력을 생성한다.
  • 시각적으로 유사하지 않은 도메인 간에서도 정체성, 방향성, 패션의 형식성과 같은 핵심 속성을 유지한다.
  • 표준 GAN 및 복원 손실가 있는 GAN과 비교했을 때, 디스코GAN은 토이 및 실세계 데이터셋 모두에서 모드 붕괴에 대해 뛰어난 강건성을 보였다.
  • 모델은 이방향 매핑을 달성하여 도메인 A에서 B로, 그리고 다시 A로의 고해상도 번역을 가능하게 한다.
  • 에지에서 사진 번역 결과는 단일 에지 입력으로부터 다양한 현실적인 색채화를 생성할 수 있음을 보여주며, 1대다(1-to-N) 능력을 입증한다.
  • 번역 매핑을 반복 적용해도 안정적이고 일관된 결과를 도출함으로써 모델의 강건성과 학습된 일관성을 확인한다.

이 논문 읽기

누빈트 뷰어에서 원문을 열고, 읽으면서 궁금한 곳을 바로 물어보세요.

누빈트에서 이 논문 읽기

이 리뷰는 AI가 논문 원문을 바탕으로 만들었습니다. 인용하기 전에 원문을 확인해 주세요.