[논문 리뷰] MAGAN: Aligning Biological Manifolds

Matthew Amodio, Smita Krishnaswamy|arXiv (Cornell University)|2018. 02. 10.

Single-cell and spatial transcriptomics참고 문헌 19인용 수 29

한 줄 요약

MAGAN은 단일세포 RNA-seq와 질량분석세포측정법(CyTOF)과 같은 비짝환 다오미크스 생물학적 데이터에서, 임의의 겹침을 방지하고 점별 대응 관계를 강제함으로써 만료를 정렬하는 새로운 생성적 적대적 네트워크를 도입한다. 기준 모델 대비 대응 예측의 평균제곱오차(MSE)가 78% 감소하여 단일세포 데이터 통합의 정확도를 크게 향상시킨다.

ABSTRACT

It is increasingly common in many types of natural and physical systems (especially biological systems) to have different types of measurements performed on the same underlying system. In such settings, it is important to align the manifolds arising from each measurement in order to integrate such data and gain an improved picture of the system. We tackle this problem using generative adversarial networks (GANs). Recently, GANs have been utilized to try to find correspondences between sets of samples. However, these GANs are not explicitly designed for proper alignment of manifolds. We present a new GAN called the Manifold-Aligning GAN (MAGAN) that aligns two manifolds such that related points in each measurement space are aligned together. We demonstrate applications of MAGAN in single-cell biology in integrating two different measurement types together. In our demonstrated examples, cells from the same tissue are measured with both genomic (single-cell RNA-sequencing) and proteomic (mass cytometry) technologies. We show that the MAGAN successfully aligns them such that known correlations between measured markers are improved compared to other recently proposed models.

연구 동기 및 목표

• scRNA-seq와 CyTOF와 같은 다른 측정 기술에서 유래한 짝이 맞지 않는 다오미크스 단일세포 데이터 통합의 과제를 해결하기 위해.
• 임의의 만료 겹침을 허용하는 대신, 세포 간의 점별 대응 관계를 유지하는 방법을 개발하기 위해.
• 알려진 세포 정체성이 희박하거나 확보하는 데 비용이 많이 드는 생물학적 시스템에서 다중모달 세포 매핑의 정확도를 향상시키기 위해.
• 최소한의 감독으로 보완되는 자료 유형을 통합함으로써 더 신뢰할 수 있는 생물학적 발견을 가능하게 하기 위해.

제안 방법

• MAGAN은 양방향으로 두 도메인(예: scRNA-seq와 CyTOF) 간을 매핑하기 위해 두 개의 생성자와 두 개의 판별자를 갖춘 조건부 GAN 아키텍처를 사용한다.
• 모델은 원본 샘플과 교차 도메인 번역 후 복원된 대응 샘플 간의 차이를 페널티로 주는 대응 손실을 도입한다.
• 번역 중 신원를 유지하기 위해 복원 손실을 사용하고, 훈련을 안정화하기 위해 사이클 일致성 손실을 적용한다.
• 단지 10개의 알려진 짝지어진 세포를 사용하여 반감독 대응 손실을 적용함으로써 정확도를 크게 향상시켰다.
• 적대적 손실, 대응 손실, 복원 손실을 모두 사용하여 종단 간 훈련을 수행하며, 일관되고 생물학적으로 의미 있는 매핑을 최적화한다.
• 고차원 단일세포 데이터는 낮은 차원의 만료로 임베딩되며, 이후 GAN 프레임워크를 통해 정렬된다.

실험 결과

연구 질문

• RQ1 적대적 생성 네트워크 기반 모델은 서로 다른 측정 모달리티에서 온 비짝환 생물학적 데이터 세트 간에 의미 있고 일관된 대응 관계를 학습할 수 있는가?
• RQ2 일반적인 GAN이 만료를 겹치기만 하는 것과 비교해 대응 손실을 강제로 적용하면 정렬 정확도가 향상되는가?
• RQ3 작은 수의 알려진 세포 쌍(예: 10개)이 비감독 만료 정렬의 성능을 어느 정도 향상시킬 수 있는가?
• RQ4 MAGAN은 최소한의 감독으로 단일세포 RNA-seq와 질량분석세포측정법 데이터를 매핑하는 데 기존 최고 수준의 모델을 능가할 수 있는가?

주요 결과

• CyTOF에서 scRNA-seq로의 매핑 시, 대응 예측의 평균제곱오차(MSE)가 99.3에서 22.0으로 감소하여 78% 향상되었다.
• 역방향 매핑(scRNA-seq에서 CyTOF로)의 MSE는 33.7에서 7.1로 감소하여 오차가 79% 감소했다.
• 단지 10개의 레이블된 세포 쌍만으로도 반감독 대응 손실이 정확도를 크게 향상시켜 낮은 감독 효율성을 입증했다.
• 모델은 마커 간 생물학적 관계를 성공적으로 유지하여 단백질 및 유전자 발현 수준 간의 알려진 상관관계를 향상시켰다.
• 임의의 만료 겹침이 아닌 만료 정렬을 강제로 적용함으로써 MAGAN은 기존 GAN 기반 모델을 능가했다.
• 이 방법은 고차원적이고 낮은 커버리지의 오미크스 데이터를 정확하게 통합할 수 있게 하여, 세포유형 특이적 조절 관계의 발견을 촉진한다.