[论文解读] Disease Classification in Metagenomics with 2D Embeddings and Deep Learning

Thanh Hai Nguyen, Edi Prifti+3 more|arXiv (Cornell University)|Jun 23, 2018

Genomics and Phylogenetic Studies参考文献 2被引用 22

一句话总结

该论文提出 Met2Img 方法，通过利用分类学和 t-SNE 嵌入将宏基因组丰度数据转化为二维合成图像，以实现基于 CNN 的深度学习分类。该方法在 12 个基准数据集上达到最先进性能，显著优于随机森林和 SVM，尤其在通过填充法聚类结合热力图颜色映射整合系统发育信息时表现突出。

ABSTRACT

Deep learning (DL) techniques have shown unprecedented success when applied to images, waveforms, and text. Generally, when the sample size ($N$) is much bigger than the number of features ($d$), DL often outperforms other machine learning (ML) techniques, often through the use of Convolutional Neural Networks (CNNs). However, in many bioinformatics fields (including metagenomics), we encounter the opposite situation where $d$ is significantly greater than $N$. In these situations, applying DL techniques would lead to severe overfitting. Here we aim to improve classification of various diseases with metagenomic data through the use of CNNs. For this we proposed to represent metagenomic data as images. The proposed Met2Img approach relies on taxonomic and t-SNE embeddings to transform abundance data into "synthetic images". We applied our approach to twelve benchmark data sets including more than 1400 metagenomic samples. Our results show significant improvements over the state-of-the-art algorithms (Random Forest (RF), Support Vector Machine (SVM)). We observe that the integration of phylogenetic information alongside abundance data improves classification. The proposed approach is not only important in classification setting but also allows to visualize complex metagenomic data. The Met2Img is implemented in Python.

研究动机与目标

• 解决高维、小样本宏基因组数据中传统深度学习因过拟合而失效的挑战。
• 通过将丰度数据转化为适合卷积神经网络的视觉表示，提升宏基因组学中的疾病分类准确性。
• 评估不同嵌入与聚类策略（填充法、t-SNE 和 QTF）在创建信息性二维图像表示方面的有效性。
• 将系统发育知识整合到表示学习过程中，以增强分类性能。
• 提供一种可可视化且可解释的复杂宏基因组数据分析框架。

提出的方法

• 使用填充法聚类将宏基因组丰度数据（物种或属水平）转化为二维图像，该方法按分类学层级组织特征，并根据丰度分配颜色。
• 应用 t-SNE 降维技术，将高维丰度向量投影到二维空间以生成图像，同时保留局部结构。
• 使用三种聚类方法生成合成图像：基于物种的聚类（SPB）、基于分位数的聚类（QTF）和比例表示法（PR），并采用多种颜色映射（热力图、灰度、黑白）。
• 在生成的图像上训练并评估二维卷积神经网络（CNN）和全连接（FC）网络，用于疾病分类。
• 仅使用训练数据构建图像表示，以防止数据泄露并避免过拟合。
• 通过五折分层交叉验证结合重复运行，并在独立数据集上进行外部验证，评估性能。

实验结果

研究问题

• RQ1 将宏基因组丰度数据转化为二维合成图像，是否能提升基于深度学习的疾病分类性能，相比传统机器学习方法？
• RQ2 通过填充法聚类将系统发育结构整合到图像表示中，是否能提升分类性能，相比基于 t-SNE 或随机聚类的方法？
• RQ3 不同的图像生成策略（填充法、t-SNE、QTF）和颜色方案（热力图、灰度、黑白）如何影响 CNN 在宏基因组数据上的性能？
• RQ4 二维图像表示带来的性能提升是否在多种疾病类型和具有不同物种与属丰度的数据集中保持一致？
• RQ5 与 Ph-CNN 和 MetAML 等现有最先进模型相比，所提出方法是否能在基准宏基因组数据集中取得更优结果？

主要发现

• Met2Img 在 12 个基准数据集上显著优于随机森林和 SVM，使用填充法结合热力图图像的 CNN 模型在内部验证中达到最高平均 MCC 值 0.616。
• 填充法聚类结合热力图颜色映射优于基于 t-SNE 的图像，在三个数据集（CIR、IBD、OBE）上实现显著提升，其余数据集上表现相当。
• 使用填充法结合灰度图像的 CNN 模型在灰度和黑白图像上表现优于 FC 模型，而 FC 模型在彩色图像上优于 CNN，表明模型架构与图像类型之间存在交互作用。
• 在 Sokol 实验室的 IBD 数据集中，Met2Img 使用填充法和 QTF 在 6 个外部验证集中的 5 个上优于 Ph-CNN，MCC 值分别为 0.930（CDf）、0.868（CDr）、0.919（iCDf）、0.580（iCDr）、0.826（UCf）和 0.777（UCr）。
• 基于 SPB 的填充法在两个 IBD 亚型（CDf 和 iCDf）上实现了完美的外部 MCC 值（1.000），证明了其鲁棒性和强大的预测能力。
• 在填充法聚类中整合系统发育知识，使表示更具可解释性和有效性，表现为特征更清晰可见且重叠更少，相比 t-SNE 明显改善。