[논문 리뷰] The Gene Mover's Distance: Single-cell similarity via Optimal Transport

Riccardo Bellazzi, Andrea Codegoni외 3명|ArXiv.org|2021. 02. 01.

Single-cell and spatial transcriptomics참고 문헌 46인용 수 8

한 줄 요약

이 논문은 최적 운반 이론을 기반으로 한 단일세포 RNA 시퀀싱 데이터를 위한 새로운 유사도 측정법인 유전자 이동 거리(Gene Mover's Distance, GMD)를 소개한다. 유전자 발현 프로파일을 이산 확률 측도로 모델링하고, 유전자 임bedding(gene2vec) 또는 피어슨 상관계수를 기저 거리로 사용함으로써, 최적 운반 계획을 통해 세포 간 유사도를 계산한다. 이로 인해 분류 성능가치가 경쟁력 있으며, 특히 피어슨 기반 비용에서 뛰어난 성능을 보이며, 유사도 기반 거리 측정법보다 뛰어난 안정성을 보이며 환자 간 분류 작업에서 뛰어난 성능을 보인다.

ABSTRACT

This paper introduces the Gene Mover's Distance, a measure of similarity between a pair of cells based on their gene expression profiles obtained via single-cell RNA sequencing. The underlying idea of the proposed distance is to interpret the gene expression array of a single cell as a discrete probability measure. The distance between two cells is hence computed by solving an Optimal Transport problem between the two corresponding discrete measures. In the Optimal Transport model, we use two types of cost function for measuring the distance between a pair of genes. The first cost function exploits a gene embedding, called gene2vec, which is used to map each gene to a high dimensional vector: the cost of moving a unit of mass of gene expression from a gene to another is set to the Euclidean distance between the corresponding embedded vectors. The second cost function is based on a Pearson distance among pairs of genes. In both cost functions, the more two genes are correlated, the lower is their distance. We exploit the Gene Mover's Distance to solve two classification problems: the classification of cells according to their condition and according to their type. To assess the impact of our new metric, we compare the performances of a $k$-Nearest Neighbor classifier using different distances. The computational results show that the Gene Mover's Distance is competitive with the state-of-the-art distances used in the literature.

연구 동기 및 목표

• 고차원적이고 희박한 데이터에서 단일세포 유전자 발현 프로파일 간의 유사도를 측정하는 데 도전하는 것.
• 기존의 거리 측정법을 이론적으로 타당한 운반 기반 접근법으로 대체하여 단일세포 데이터 분석에서 분류 정확도를 향상시키는 것.
• 최적 운반 이론을 사용하면서 생물학적으로 정보가 담긴 비용 함수(유전자 임베딩 또는 피어슨 상관계수)가 유럽 거리와 같은 표준 측정법보다 더 우수한 성능을 보이는지 평가하는 것.
• 특정 유전자에 대해 유전자 임베딩이 제공되지 않을 경우 GMD 성능에 미치는 영향을 조사하는 것, 특히 임베딩 미존재 유전자에 대한 영향을 중심으로 분석하는 것.

제안 방법

• 각 단일세포 유전자 발현 프로파일을 유전자 위에 정의된 이산 확률 측도로 모델링한다.
• 두 세포 간의 유사도를 하나의 측도를 다른 측도로 변환하는 데 드는 비용을 최소화하는 최적 운반 문제로 공식화한다.
• 기저 거리 함수 두 가지를 정의한다: (1) 유전자 임베딩 간 유클리드 거리(200차원 벡터), (2) 유전자 쌍 간 피어슨 상관계수 기반 거리.
• 효율적인 계산을 위해 선형 프로그래밍 문제를 네트워크 심플렉스 알고리즘을 사용하여 해결한다.
• k-최근접 이웃(k-NN) 분류기 내에서 GMD를 적용하여 세포 유형 및 조건 분류를 수행한다.
• 반복적인 훈련-테스트 분할과 통계적 유의성 검정(t-검정)을 통해 GMD의 성능을 유럽 거리 및 피어슨 상관계수와 비교한다.

실험 결과

연구 질문

• RQ1 유전자 임베딩을 기저 비용으로 사용하는 최적 운반 기반 유사도가 기존 측정법보다 단일세포 분류 정확도를 향상시키는가?
• RQ2 실제 단일세포 데이터셋에서 피어슨 상관계수 기반 기저 거리가 유전자 임베딩 기반 GMD보다 더 뛰어난 성능을 보이는가?
• RQ3 일부 유전자에 대해 유전자 임베딩이 존재하지 않을 경우 GMD의 성능과 안정성에 어떤 영향을 미치는가?
• RQ4 k-NN 분류에서 GMD가 기존 거리 측정법보다 통계적으로 유의미한가?

주요 결과

• GSE67835 뇌 세포 데이터셋에서 피어슨 상관계수를 기저 거리로 사용한 GMD는 환자 간 분류에서 0.8 이상의 정확도를 기록하며, 유럽 거리 및 유전자 임베딩 기반 GMD를 모두 초월했다.
• 유전자 임베딩 기반 GMD는 피어슨 기반 GMD보다 약간 낮은 성능을 보였으며, 수천 개의 유전자에 대해 임베딩이 누락되어 있어 범위가 제한된 데 기인할 가능성이 높다.
• t-검정 결과, 모든 테스트 사례(성인, 태아, 통합)에서 유전자 임베딩 기반 GMD가 유럽 거리보다 통계적으로 유의미하게 뛰어났다(p < 0.05).
• 피어슨 기반 GMD와 다른 두 측정법 간에 통계적으로 유의미한 차이가 없었으며(p > 0.05), 이는 안정성과 일관성을 보여준다.
• GMD는 반복 실험에서 예측 점수의 사분위율 범위가 작았으며, 이는 높은 안정성과 낮은 분산을 의미한다.
• 결과적으로 현재의 단일세포 응용 분야에서 피어슨 상관계수 기반 기저 거리가 유전자 임베딩보다 완전성과 생물학적 관련성 측면에서 더 신뢰할 수 있다는 결론을 도출할 수 있다.