[論文レビュー] An image representation based convolutional network for DNA classification

Bojian Yin, Marleen Balvert+3 more|arXiv (Cornell University)|Jun 13, 2018

Genomics and Chromatin Dynamics参考文献 18被引用数 16

ひとこと要約

本稿では、ヒルベルト空間埋め込み曲線を用いてDNA配列を2次元画像に変換することで、クロマチン状態の予測を向上させる新しい畳み込みニューラルネットワーク（HCNN）を提案する。この曲線の連続性およびクラスタリング特性を活用することで、1次元配列モデルに比べて長距離相互作用をより効果的に捉えることができ、複数のエピジェネティックデータセットにおいて、最先端の手法に比べて高い精度と高速な学習時間を達成した。

ABSTRACT

The folding structure of the DNA molecule combined with helper molecules, also referred to as the chromatin, is highly relevant for the functional properties of DNA. The chromatin structure is largely determined by the underlying primary DNA sequence, though the interaction is not yet fully understood. In this paper we develop a convolutional neural network that takes an image-representation of primary DNA sequence as its input, and predicts key determinants of chromatin structure. The method is developed such that it is capable of detecting interactions between distal elements in the DNA sequence, which are known to be highly relevant. Our experiments show that the method outperforms several existing methods both in terms of prediction accuracy and training time.

研究の動機と目的

• 長距離相互作用を捉えることで、一次DNA配列からのクロマチン状態の予測を向上させること。
• 深層学習における1次元配列モデリングの限界を克服し、DNAの2次元空間的表現を導入すること。
• パラメータ数を削減し、学習時間を短縮しながら、性能を維持または向上させること。
• ヒルベルト曲線をDNA配列埋め込み手法として用いる際の有効性を評価すること。

提案手法

• ヒルベルト曲線を用いて1次元DNA配列を2次元画像に似たテンソルに変換し、局所的な配列の近接性を保持するとともに、長方形領域内の断片化を最小限に抑える。
• 大規模な畳み込みフィルタを備えた深層残差CNNを設計し、大規模な全結合層に依存せずに長距離相互作用を検出できるようにする。
• 最終的な全結合層の直前で、徐々に縮小する小さな層を配置することで、パラメータ数を最小限に抑え、学習を高速化する。
• 2次元画像表現に対して標準的なCNN演算（畳み込み、バッチ正則化、ReLU、プーリング）を適用し、階層的な特徴を抽出する。
• ヒルベルト曲線、Z曲線など複数の空間埋め込み曲線の性能を比較し、ヒルベルトマッピングの優位性を検証する。
• H3K4me3、H3K27ac、スプライスジャンクション予測を含む複数のエピジェネティックデータセットでモデルを学習・評価する。

実験結果

リサーチクエスチョン

• RQ1 ヒルベルト曲線による2次元画像表現を用いることで、CNNが遠隔調節的相互作用を検出する能力が向上するか？
• RQ2 HCNNアーキテクチャは、Seq-CNN、LSTM、SVMなどの既存モデルと比較して、クロマチン状態予測においてどのように性能を発揮するか？
• RQ3 ヒルベルト曲線マッピングは、モデルの精度、学習時間、偽陽性への感受性にどのような影響を与えるか？
• RQ4 2次元画像表現は、スプライスジャンクションなどの機能的要素の検出を向上させることができるか？

主な発見

• HCNNは、全テストデータセットで最高の予測精度を達成し、SVM、LSTM、Seq-CNN、seq-HCNNを上回った。H3データセットでは平均87.34%、スプライスデータセットでは94.11%の精度を記録した。
• HCNNは学習時間を顕著に短縮し、H3データセットでは4分未満で学習を完了した。一方、LSTMは35分43秒、seq-HCNNは6分47秒を要した。
• HCNNは、精度、再現率、AUC/PR-AUCスコアにおいて優れた性能を示し、スプライスジャンクション予測タスクではAUCが98.67%、PR-AUCが97.67%を達成した。
• ヒルベルト曲線マッピングは、他の空間埋め込み曲線および1次元配列表現を上回り、精度と学習効率の両面で優位性を示した。これは、DNA配列モデリングに適した手法であることを確認した。
• モデルの性能は多様なエピジェネティックマークにおいても安定しており、H3K4me1、H3K4me2、H3K4me3、H3K79me3データセットにおいて、F1スコアとAUCが一貫して向上した。
• 大規模な畳み込みフィルタと残差接続の使用により、過剰なパラメータ増加を伴わずに、効果的な長距離相互作用検出が可能になった。