[논문 리뷰] PRAGA: Prototype-aware Graph Adaptive Aggregation for Spatial Multi-modal Omics Analysis

Xinlei Huang, Zhiqi Ma외 6명|arXiv (Cornell University)|2024. 09. 19.

Metabolomics and Mass Spectrometry StudiesBiochemistry, Genetics and Molecular Biology인용 수 3

한 줄 요약

PRAGA는 시퀀싱 변동성으로 인해 드러나지 않는 잠재적 의미 관계를 포착하기 위해 동적이고 옴믹스 특화된 그래프를 학습하는 프로토타입 인식 그래프 적응형 집계 프레임워크를 소개한다. 베이지안 가우시안 혼합 모델을 통한 동적 프로토타입 대비 학습을 통합함으로써, 사전에 세포 유형 수에 대한 지식이 없더라도 실세계 데이터셋에서 F1-Score 최대 3.54% 향상 및 NMI 최대 3.40% 향상으로 뛰어난 클러스터링 성능를 달성한다.

ABSTRACT

Spatial multi-modal omics technology, highlighted by Nature Methods as an advanced biological technique in 2023, plays a critical role in resolving biological regulatory processes with spatial context. Recently, graph neural networks based on K-nearest neighbor (KNN) graphs have gained prominence in spatial multi-modal omics methods due to their ability to model semantic relations between sequencing spots. However, the fixed KNN graph fails to capture the latent semantic relations hidden by the inevitable data perturbations during the biological sequencing process, resulting in the loss of semantic information. In addition, the common lack of spot annotation and class number priors in practice further hinders the optimization of spatial multi-modal omics models. Here, we propose a novel spatial multi-modal omics resolved framework, termed PRototype-Aware Graph Adaptative Aggregation for Spatial Multi-modal Omics Analysis (PRAGA). PRAGA constructs a dynamic graph to capture latent semantic relations and comprehensively integrate spatial information and feature semantics. The learnable graph structure can also denoise perturbations by learning cross-modal knowledge. Moreover, a dynamic prototype contrastive learning is proposed based on the dynamic adaptability of Bayesian Gaussian Mixture Models to optimize the multi-modal omics representations for unknown biological priors. Quantitative and qualitative experiments on simulated and real datasets with 7 competing methods demonstrate the superior performance of PRAGA. Code is available at https://github.com/Xubin-s-Lab/PRAGA.

연구 동기 및 목표

• 공간 다중모달 옴믹스 데이터에서 생물학적 시퀀싱 변동성으로 인해 고정된 KNN 그래프가 잠재적 의미 관계를 포착하는 데 한계가 있음을 해결한다.
• 실세계 공간 옴믹스 응용에서 스팟 레이블 및 세포 유형 사전 지식이 없는 도전 과제를 극복한다.
• 공간적 근접성과 다중모달 특징 의미를 통합하여 표현 학습을 향상시키는 학습 가능한 적응형 그래프 구조를 개발한다.
• 베이지안 가우시안 혼합 모델 기반의 동적 프로토타입 대비 학습 메커니즘을 도입하여 사전에 정의된 클러스터 수가 필요 없이 자기지도 학습을 통한 표현 최적화를 가능하게 한다.
• 시뮬레이션 및 실세계 공간 다중모달 옴믹스 데이터셋에서 클러스터링 및 표현 학습 분야에서 최신 기술 수준의 성능을 달성한다.

제안 방법

• 고정된 KNN 그래프를 대체하여, 시퀀싱 스팟 간 잠재적 의미 관계에 동적으로 적응하는 학습 가능한 옴믹스 특화 그래프를 구축한다.
• 공간 좌표와 다중모달 옴믹스 특징(예: 전사체학, 단백체학)을 통합하여 통합된 그래프 기반 표현 학습 프레임워크를 구현한다.
• 모르는 세포 유형 분포를 모델링하고 개방형 환경에서 동적 프로토타입 학습을 가능하게 하기 위해 베이지안 가우시안 혼합 모델(BGMM)을 활용한다.
• 진화하는 특징 표현 기반으로 클러스터 프로토타입을 적응적으로 식별하고 최적화하는 동적 프로토타입 대비 학습 손실($\mathcal{L}_{dpcl}$)을 설계한다.
• 특징 일관성과 표현 정밀도를 향상시키기 위해 균일성 손실($\mathcal{L}_h$)과 재구성 손실($\mathcal{L}_{recon}$)을 통합한다.
• 대비 학습 과정의 안정성 향상과 내구성 향상을 위해 적응형 온도 스케일링을 적용한 지수 이동 평균(EMA)을 사용한다.

실험 결과

연구 질문

• RQ1 생물학적 노이즈 하에서 고정된 KNN 그래프에 비해 학습 가능한 동적 그래프 구조가 공간 다중모달 옴믹스 데이터의 잠재적 의미 관계를 포착하는 데 뛰어난 성능을 보일 수 있는가?
• RQ2 세포 유형 사전 지식이 없는 상황에서 베이지안 가우시안 혼합 모델 기반의 동적 프로토타입 대비 학습이 표현 학습에 어떻게 기여하는가?
• RQ3 PRAGA는 최신 기술 수준의 방법들에 비해 다양한 공간 옴믹스 데이터셋에서 클러스터링 성능을 얼마나 향상시키는가?
• RQ4 초기 클러스터 수, 온도, 손실 가중치와 같은 하이퍼파rameter의 변화에 대해 PRAGA의 성능는 얼마나 민감한가?
• RQ5 초기 클러스터 수가 진짜 세포 유형 수와 다를 경우에도 PRAGA는 높은 성능을 유지할 수 있는가?

주요 결과

• 실제 인간 림프절 데이터셋에서 PRAGA는 기준 방법 대비 F1-Score 3.54% 향상 및 NMI 3.40% 향상했다.
• 공간 에피제놈-전사체학 마우스 뇌 데이터셋에서 PRAGA는 F1-Score 2.01% 향상 및 NMI 1.54% 향상했다.
• 시뮬레이션 데이터셋에서 PRAGA는 F1-Score 1.26% 향상 및 NMI 2.08% 향상했다.
• 절단 실험 결과, 학습 가능한 그래프, 균일성 손실, 재구성 손실, 또는 동적 프로토타입 대비 학습 손실을 제거할 경우 성능 저하가 심각하게 발생함을 확인했다.
• 하이퍼파rameter 민감도 분석 결과, PRAGA는 초기 클러스터 수, EMA 속도($\alpha$), 온도($\tau$), 손실 가중치($\beta$)의 변동성에 대해 뛰어난 내구성을 보였다.
• 초기 클러스터 수가 진실값과 일치할 경우 PRAGA는 최고의 성능를 달성하지만, 초기 수가 잘못되었을 경우에도 효과적으로 기능함을 입증하여 실제 세계의 불확실성 하에서도 강력한 일반화 능력을 보였다.