[论文解读] Genome Sequence Classification for Animal Diagnostics with Graph Representations and Deep Neural Networks

Sai Narayanan, Akhilesh Ramachandran+2 more|arXiv (Cornell University)|Jul 24, 2020

Genomics and Phylogenetic Studies参考文献 41被引用 5

一句话总结

本文提出了一种基于图的深度学习框架，用于使用k-mer衍生的De Bruijn图和网络嵌入技术对牛源宏基因组序列中的病原体特征进行分类。在模拟数据集上，该方法在检测 *Mannheimia hemolytica* 时准确率最高达到89.7%，相较于基线的k-mer频率方法和graph2vec方法，分别提升了26.2%和7.02%（在DS500数据集上）。

ABSTRACT

Bovine Respiratory Disease Complex (BRDC) is a complex respiratory disease in cattle with multiple etiologies, including bacterial and viral. It is estimated that mortality, morbidity, therapy, and quarantine resulting from BRDC account for significant losses in the cattle industry. Early detection and management of BRDC are crucial in mitigating economic losses. Current animal disease diagnostics is based on traditional tests such as bacterial culture, serolog, and Polymerase Chain Reaction (PCR) tests. Even though these tests are validated for several diseases, their main challenge is their limited ability to detect the presence of multiple pathogens simultaneously. Advancements of data analytics and machine learning and applications over metagenome sequencing are setting trends on several applications. In this work, we demonstrate a machine learning approach to identify pathogen signatures present in bovine metagenome sequences using k-mer-based network embedding followed by a deep learning-based classification task. With experiments conducted on two different simulated datasets, we show that networks-based machine learning approaches can detect pathogen signature with up to 89.7% accuracy. We will make the data available publicly upon request to tackle this important problem in a difficult domain.

研究动机与目标

• 解决传统PCR和培养基诊断方法在动物疾病诊断中目标特异且缺乏多重检测能力的局限性。
• 开发一种可扩展的、基于机器学习的方法，用于在不依赖病原体特异性引物知识的情况下检测单病原体感染的宏基因组序列。
• 评估图表示学习与深度神经网络在区分牛源宏基因组中病原体与宿主基因组序列方面的有效性。
• 研究子序列长度（k）和多任务学习对病原体分类模型性能的影响。
• 为未来能够检测不平衡真实世界宏基因组数据中多种病原体的端到端系统奠定基础。

提出的方法

• 从宏基因组序列的k-mer表示构建De Bruijn图，以生成结构化的、基于图的基因组表示。
• 应用多种网络嵌入技术，包括node2vec、最短路径图核（SPK）和图基采样核（GSK），以生成图的低维向量表示。
• 使用多任务学习目标训练深度神经网络分类器，联合优化病原体分类和通过类似自编码器的解码器重建输入序列。
• 使用模拟数据集（DS500和DS5000）在宿主与病原体序列平衡的条件下评估模型性能。
• 通过标准分类指标（如准确率和F1分数）与基线方法（如原始k-mer频率和graph2vec嵌入）进行性能比较。
• 开展消融研究，评估k-mer长度（k）以及多任务学习和解码器组件的引入对模型准确率的影响。

实验结果

研究问题

• RQ1 与传统的k-mer频率方法相比，基于图的宏基因组序列表示是否能提升病原体分类的准确率？
• RQ2 在牛源宏基因组中，不同网络嵌入技术（如node2vec、SPK、GSK）在区分病原体与宿主序列方面的表现如何？
• RQ3 在较小数据集上，结合重建目标的多任务学习是否能增强泛化能力并减少过拟合？
• RQ4 模型性能对用于构建De Bruijn图的k-mer长度（k）变化的敏感性如何？
• RQ5 引入解码器网络和多任务训练在多大程度上提升了分类性能？

主要发现

• 所提出的结合图嵌入的深度学习模型在DS5000数据集上达到最高89.7%的准确率，显著优于基线k-mer频率方法。
• 在DS500数据集上，该模型相较于k-mer频率基线方法准确率提升26.2%，相较于graph2vec方法提升7.02%，证明了基于图表示的有效性。
• 最短路径图核（SPK）嵌入在不同k值和分类器类型下表现一致，而node2vec对k值增加更为敏感，当k从2增至6时，DS500数据集上的准确率下降近17%。
• 结合分类与重建目标的多任务学习在DS500和DS5000数据集上分别将平均准确率提升6.65%和5.77%，表明泛化能力增强且过拟合减少。
• 移除解码器网络后，DS500和DS5000数据集上的准确率平均分别下降8.43%和7.64%，凸显了重建目标在多任务框架中的重要性。
• 图基采样核（GSK）在不同分类器和k值下表现出更强的鲁棒性，表明其特征表示更具稳健性。