[논문 리뷰] Peptide-Spectra Matching from Weak Supervision

Sam Schoenholz, Sean F. Hackett외 9명|arXiv (Cornell University)|2018. 08. 20.

Advanced Proteomics Techniques and Applications참고 문헌 6인용 수 8

한 줄 요약

이 논문은 고전적 검색 엔진에서 유도된 노이즈가 많은 레이블을 사용하여 질량 분석에서 펩타이드-스펙트럼 매칭을 향상시키기 위해 약한 지도 학습 기반 딥 러닝 접근법을 제안한다. 구조화된 이온 표현과 VGG 기반 리더아웃을 사용하여, 표준 방법 대비 43% 향상되고 최첨단 재정렬 도구 대비 10% 향상되며, 더 어려운 조건에서 성능 향상이 더욱 두드러진다.

ABSTRACT

As in many other scientific domains, we face a fundamental problem when using machine learning to identify proteins from mass spectrometry data: large ground truth datasets mapping inputs to correct outputs are extremely difficult to obtain. Instead, we have access to imperfect hand-coded models crafted by domain experts. In this paper, we apply deep neural networks to an important step of the protein identification problem, the pairing of mass spectra with short sequences of amino acids called peptides. We train our model to differentiate between top scoring results from a state-of-the art classical system and hard-negative second and third place results. Our resulting model is much better at identifying peptides with spectra than the model used to generate its training data. In particular, we achieve a 43% improvement over standard matching methods and a 10% improvement over a combination of the matching method and an industry standard cross-spectra reranking tool. Importantly, in a more difficult experimental regime that reflects current challenges facing biologists, our advantage over the previous state-of-the-art grows to 15% even after reranking. We believe this approach will generalize to other challenging scientific problems.

연구 동기 및 목표

• 질량 분석에서 펩타이드-스펙트럼 매칭에 대한 대규모 지상 진리 데이터셋의 부족 문제를 해결하기 위해.
• COMET과 같은 고전적 검색 엔진에서 유도된 노이즈가 많은 레이블을 활용하여 펩타이드 식별 정확도를 향상시키기 위해.
• 펩타이드 서열을 질량 스펙트럼 히스토GRAM에 매칭하기 위한 강력한 인덕티브 바이어스를 가진 딥 러닝 모델을 개발하기 위해.
• 약한 지도 학습이 레이블의 원천보다도 뛰어난 성능을 낼 수 있음을 보여주기 위해.
• 다양한 종과 도전적인 실험 조건에서 방법의 유효성을 검증하기 위해.

제안 방법

• 각 펩타이드 결합당 C=18종류의 프래그먼트 유형을 생성하기 위해, Z=1,2의 전하를 가진 b, y, a 이온과 중성 손실(NH3, H2O)을 포함하는 구조화된 이온 표현을 사용한다.
• 각 프래그먼트 유형 c에 대해, 전결합 네트워크 gc가 프래그먼트 특징을 은닉 표현으로 매핑하고, 스펙트럼 표현 G는 m/z 구간에 따라 이러한 표현을 버킷화하여 구성된다.
• 최종 점수는 희소 행렬 G에 VGG 스타일의 컨볼루션 네트워크를 적용하여 계산되며, 이는 경험적 스펙트럼과 이론적 프래그먼트 패턴 간의 복잡한 상관관계 학습을 가능하게 한다.
• 단순한 리더아웃 베이스라인은 평탄화된 G 표현에 전결합 네트워크를 적용한다.
• 모델은 고전적 검색 엔진(COMET)에서 제공한 상위 스코어 매칭과 하드 음성(second- and third-place) 매칭을 구분하도록 훈련된다.
• 낮은 스코어에서 디코이 프랙션(0.5)에 수렴하도록 보장하여 기억화를 방지함으로써 일반화 능력을 확인한다.

실험 결과

연구 질문

• RQ1 고전적 검색 엔진에서 유도된 약한 지도 학습을 통해 훈련된 딥 러닝 모델이 펩타이드-스펙트럼 매칭에서 그 엔진을 능가할 수 있는가?
• RQ2 물리적 분해 규칙를 코딩한 구조화된 이온 표현이 무지각 표현보다 성능 향상에 기여하는가?
• RQ3 스펙트럼 노이즈나 복잡성이 증가하는 더 어려운 실험 조건에서 모델 성능은 어떻게 변화하는가?
• RQ4 모델의 일반화 능력은 다양한 종과 질량 분석 데이터셋 간에 어느 정도 유지되는가?
• RQ5 레이블 원천이 열등한 경우에도 노이즈가 많은 레이블을 사용한 약한 지도 학습이 여전히 의미 있는 성능 향상을 이끌 수 있는가?

주요 결과

• 모델은 표준 펩타이드-스펙트럼 매칭 방법 대비 식별 정확도에서 43% 향상된다.
• 매칭 방법과 산업 표준 크로스-스펙트럼 재정렬 도구의 조합 대비 10% 성능 향상된다.
• 더 어려운 실험 조건에서 이전 최첨단 기술 대비 성능 격차는 15%로 증가하며, 재정렬 이후에도 여전히 유지된다.
• 모델의 스코어 분포는 고점수에서 COMET와 강한 일치를 보이며, 저점수에서 디코이 프랙션 약 0.5를 기록하여 펩타이드 데이터의 기억화가 없음을 확인한다.
• 구조화된 이온 표현은 분해 패턴을 코딩하지 않는 무지각 표현보다 뚜렷이 뛰어난 성능을 기록한다.
• VGG 기반 리더아웃은 경험적 스펙트럼과 이론적 프래그먼트 패턴 간의 복잡한 상관관계를 학습하여 뛰어난 일반화 능력을 확보한다.