[論文レビュー] Controlling the Precision-Recall Tradeoff in Differential Dependency Network Analysis

Diane Oyen, Alexandru Niculescu-Mizil+3 more|arXiv (Cornell University)|Jul 9, 2013

Bioinformatics and Genomic Networks参考文献 12被引用数 3

ひとこと要約

本稿では、類似性バイアスを用いて条件特異的ネットワークを共同で学習することで、微分的依存ネットワーク解析における正確度-再現度トレードオフを制御する、転移学習に基づく手法を提案する。このバイアスの強度を調整することにより、偽発見率（FDR）を低減可能であり、実証的にFDRを約80％からほぼ0％まで低下させた。これにより、腫瘍学および神経画像研究において、ドメインの専門家が高信頼性の生物学的・神経的ネットワーク差を同定できるようになった。

ABSTRACT

Graphical models have gained a lot of attention recently as a tool for learning and representing dependencies among variables in multivariate data. Often, domain scientists are looking specifically for differences among the dependency networks of different conditions or populations (e.g. differences between regulatory networks of different species, or differences between dependency networks of diseased versus healthy populations). The standard method for finding these differences is to learn the dependency networks for each condition independently and compare them. We show that this approach is prone to high false discovery rates (low precision) that can render the analysis useless. We then show that by imposing a bias towards learning similar dependency networks for each condition the false discovery rates can be reduced to acceptable levels, at the cost of finding a reduced number of differences. Algorithms developed in the transfer learning literature can be used to vary the strength of the imposed similarity bias and provide a natural mechanism to smoothly adjust this differential precision-recall tradeoff to cater to the requirements of the analysis conducted. We present real case studies (oncological and neurological) where domain experts use the proposed technique to extract useful differential networks that shed light on the biological processes involved in cancer and brain function.

研究の動機と目的

• 独立に学習された依存ネットワークを比較する標準的手法に内在する高い偽発見率（低正確度）を是正すること。
• 多くの真の差を同定する（高再現度）ことと、誤検出を最小限に抑える（高正確度）ことのトレードオフを、ドメイン科学者が調整可能なメカニズムを提供すること。
• 生物医学研究で一般的なノイズが多く、データが限られた現実世界の状況において、微分ネットワーク解析の信頼性を向上させること。
• 本手法の有効性を、2つの実世界の事例研究（腫瘍学：膵がんおよび卵巣がん、神経画像：視覚的スキル習得）において実証すること。

提案手法

• 条件特異的ネットワーク間の類似性を強制する正則化尤度フレームワークを用いて、複数の条件下で依存ネットワークを共同で学習する。
• 類似性バイアスの強度を制御するハイパーパrameter λ1 を導入し、正確度-再現度トレードオフを滑らかに調整可能にする。
• 共有されるネットワーク構造を促進する転移学習アプローチを採用し、微分エッジにおける過剰適合および偽陽性の低減を図る。
• 共通ネットワーク構造からの逸脱をペナルティ化する微分ネットワーク推定手順を適用し、ペナルティ強度を λ1 で調整する。
• 異なる λ1 設定における正確度の向上を検証するため、パーミュテーションテストを用いて偽発見率（FDR）を推定する。
• ドメインの専門家が、生物学的妥当性およびFDRの閾値に基づき、望ましい数の高信頼性の微分エッジを生み出す λ1 および λ2 の値を選択可能にする。

実験結果

リサーチクエスチョン

• RQ1 独立ネットワーク学習と比較して、転移学習アプローチは微分的依存ネットワーク解析における偽発見率の低減を達成できるか？
• RQ2 類似性バイアスの強度（λ1 で制御）は、微分ネットワーク推定における正確度-再現度トレードオフを自然かつ効果的に調整するための有効なスイッチであるか？
• RQ3 この手法は、標準的手法が偽陽性率が高いため失敗する、実際の腫瘍学および神経画像データセットにおいて、生物学的に意味のある微分ネットワークを同定できるか？
• RQ4 ブートストラップベースの事後補正といった計算コストの高い代替手法と比較して、本手法の性能はどのように異なるか？
• RQ5 同定された微分エッジは、がんにおける既知の生物学的経路および脳における視覚処理に関連する既知の神経経路と整合するか？

主な発見

• 独立にネットワークを学習し比較する標準的手法では、神経画像研究において推定される偽発見率（FDR）がほぼ80％に達し、大多数の差が信頼できないことが判明した。
• 類似性バイアス（λ1）を強化することで、推定されるFDRは急速に低下し、0％に近づく一方、同定された差の数は減少し、正確度の有効な制御が可能であることが示された。
• λ1 = 0.5 および λ2 = 0.2 の設定で、本手法は少数の高信頼性の微分エッジを同定した。その中には、スキル習得中に腹側視覚経路の結合強化が見られ、既知の神経生物学的知見と整合的であった。
• 腫瘍学研究において、本手法はがん生物学に関する新たな知見を提供する、差分のタンパク質依存関係を同定した。その結果はドメインの専門家による検証を経て妥当性が確認された。
• ブートストラップベースの補正手法と比較して、本手法は同等以上の正確度を達成したが、はるかに計算効率が高かった。
• 本手法は、既知の機能的脳ネットワーク（例：後頭側および腹側視覚経路）を効果的に回復し、学習過程における情報伝達のダイナミックな変化を明らかにした。生物学的妥当性が裏付けられた。