[논문 리뷰] Learning Embeddings from Cancer Mutation Sets for Classification Tasks

Geoffroy Dubourg-Felonneau, Yasmeen Kussad외 4명|arXiv (Cornell University)|2019. 11. 20.

Machine Learning in Bioinformatics참고 문헌 8인용 수 4

한 줄 요약

이 논문은 암 유전체학에서 종양성 돌연변이 집합으로부터 저차원의 정보성 임bedding을 학습하는 변동형 오토인코더(VAE)인 Flatsomatic을 제안한다. 변형된 F1-스코어 기반 손실과 베타-VAE 정규화를 사용하여 돌연변이 위치 데이터를 잠재 공간으로 압축함으로써, 기존의 PCA보다 우수한 군집화 성능을 달성하고 원시 데이터 수준의 분류 성능를 유지함으로써, 정밀 옹소로니에 있어 희박하고 고차원적인 돌연변이 프로파일을 더 효과적으로 활용할 수 있도록 한다.

ABSTRACT

Analysis of somatic mutation profiles from cancer patients is essential in the development of cancer research. However, the low frequency of most mutations and the varying rates of mutations across patients makes the data extremely challenging to statistically analyze as well as difficult to use in classification problems, for clustering, visualization or for learning useful information. Thus, the creation of low dimensional representations of somatic mutation profiles that hold useful information about the DNA of cancer cells will facilitate the use of such data in applications that will progress precision medicine. In this paper, we talk about the open problem of learning from somatic mutations, and present Flatsomatic: a solution that utilizes variational autoencoders (VAEs) to create latent representations of somatic profiles. The work done in this paper shows great potential for this method, with the VAE embeddings performing better than PCA for a clustering task, and performing equally well to the raw high dimensional data for a classification task. We believe the methods presented herein can be of great value in future research and in bringing data-driven models into precision oncology.

연구 동기 및 목표

• 기계학습 응용 분야에서 고차원성, 희박성, 변동하는 집합 크기를 가지는 종양성 돌연변이 데이터에 대한 도전 과제를 해결하기 위해.
• 생물학적으로 관련된 신호를 유지하는 강력한 저차원의 종양성 돌연변이 프로파일 표현을 개발하기 위해.
• 돌연변이 데이터로부터 편향이 없고 정보성 있는 임bedding을 학습하여 군집화 및 분류와 같은 후행 작업을 향상시키기 위해.
• 위치 정보가 아닌 특성도 유지하는 대안적 데이터 표현 방식을 탐색하여, 이분화된 돌연변이 발생 매트릭스와 같은 비최적의 사전처리를 피하기 위해.

제안 방법

• 방법론은 종양성 돌연변이 프로파일을 저차원 잠재 공간으로 압축하기 위해 변동형 오토인코더(VAE)를 사용하며, 재구성 정밀도와 분리 가능한 표현에 중점을 둔다.
• 돌연변이 데이터는 염색체 위치 기반으로 이진 발생 벡터로 사전처리되며, 빈도가 5 미만인 낮은 빈도의 돌연변이는 희박성을 줄이기 위해 제거된다.
• VAE는 배치 정규화, Leaky ReLU, ReLU, 시그모이드 활성화 함수를 포함한 두 층의 MLP 인코더 및 디코더를 사용하며, 드롭아웃과 L1 정규화도 적용된다.
• 기존의 이진 교차 엔트로피 손실과 비교하여, 새로운 F1-스코어 기반 재구성 손실이 도입되어 희박한 돌연변이 데이터에서의 재구성 성능을 향상시킨다.
• 잠재 공간 내의 분리 가능성과 일반화 능력을 향상시키기 위해 온난화 스케줄과 베타-VAE를 사용하여 정규화 항을 최적화한다.
• 군집화(NMI)와 분류(F1-스코어) 성능 평가를 통해 성능을 평가하며, PCA 및 원시 데이터와의 비교 분석을 수행한다.

실험 결과

연구 질문

• RQ1 기존의 PCA와 같은 전통적 방법보다 변동형 오토인코더가 종양성 돌연변이 프로파일에 대해 더 정보성 있는 저차원 표현을 학습할 수 있는가?
• RQ2 기존의 이진 교차 엔트로피 손실과 비교해 볼 때, 맞춤형 F1-스코어 기반 손실 함수가 희박하고 고차원적인 돌연변이 데이터의 재구성 성능를 향상시키는가?
• RQ3 잠재 공간의 크기가 재구성 성능 및 후행 작업 성능 측면에서 학습된 임bedding의 품질에 어떤 영향을 미치는가?
• RQ4 VAE로 학습된 임bedding이 약물 반응 예측과 같은 분류 과제에서 원시 돌연변이 데이터 수준의 성능를 달성할 수 있는가?
• RQ5 이분화된 돌연변이 발생 매트릭스를 생성하는 사전처리 단계가 생물학적으로 관련된 특징을 포착하는 데 모델의 능력을 얼마나 제한하는가?

주요 결과

• F1-스코어 기반 손실을 사용한 MLP 기반 VAE는 잠재 공간 크기가 32일 때 검증 F1-스코어 20.88%를 기록하여 이진 교차 엔트로피 손실보다 뛰어난 성능를 보였다.
• 재구성에 최적의 잠재 공간 크기는 8를 초과하며, 32차원에서 최고 성능를 기록했다.
• VAE 임bedding은 군집화에서 NMI 스코어 21%를 기록하여 PCA의 11% NMI를 크게 능가했다.
• 약물 반응 예측 과제에서 Flatsomatic 임bedding(64차원)은 F1-스코어 0.667을 기록하여 원시 돌연변이 발생 데이터(8298차원)와 동일한 성능를 달성했다.
• 베타-VAE 정규화 항에 대한 온난화 스케줄 사용이 모델 성능을 향상시켜 분리 가능한 표현을 학습하는 데 중요한 역할을 함을 시사했다.
• 양방향 LSTM 기반 VAE는 MLP-VAE에 비해 성능이 열등하여 F1-스코어 17.1%를 기록하여, 순서 없는 돌연변이 집합에 대해 시퀀스 모델링이 덜 효과적임을 시사했다.