[논문 리뷰] Geometry-Based Data Generation

Ofir Lindenbaum, Jay S. Stanley외 2명|arXiv (Cornell University)|2018. 02. 14.

Morphological variations and asymmetry참고 문헌 10인용 수 12

한 줄 요약

이 논문은 고차원 데이터의 내재 다양체를 밀도가 아닌 기하학적 구조를 기반으로 학습하는 SUGAR라는 생성 모델을 소개한다. 이는 희소하거나 편향된 영역에서도 균일한 샘플링을 가능하게 하며, 데이터 기반의 다이퓨전 기하학과 랜덤 워크를 활용해 샘플링 편향을 교정하고 클러스터링, 분류, 상관정보 추정 등의 후행 작업을 향상시킨다. 이는 단일세포 혈액형성 데이터에서 효과적으로 입증되었다.

ABSTRACT

Many generative models attempt to replicate the density of their input data. However, this approach is often undesirable, since data density is highly affected by sampling biases, noise, and artifacts. We propose a method called SUGAR (Synthesis Using Geometrically Aligned Random-walks) that uses a diffusion process to learn a manifold geometry from the data. Then, it generates new points evenly along the manifold by pulling randomly generated points into its intrinsic structure using a diffusion kernel. SUGAR equalizes the density along the manifold by selectively generating points in sparse areas of the manifold. We demonstrate how the approach corrects sampling biases and artifacts, while also revealing intrinsic patterns (e.g. progression) and relations in the data. The method is applicable for correcting missing data, finding hypothetical data points, and learning relationships between data features.

연구 동기 및 목표

• 특히 단일세포 옴믹스에서 발생하는 고차원 생물의학적 데이터의 샘플링 편향과 희소성 문제를 해결한다.
• 잡음과 불균형한 샘플링에 민감한 밀도 기반 생성 모델의 한계를 극복한다.
• 내재 다样的체를 따라 균일하게 데이터를 생성하여 부족한 세포집단과 잠재적 관계를 복원하는 방법을 개발한다.
• 라벨이 없는 조건에서도 클러스터링, 분류, 상관정보 추정과 같은 후행 작업의 성능을 향상시킨다.
• 기술적 오류로 인해 희귀한 세포 유형이나 유전자 상호작용이 부족하게 표현되는 상황에서의 탐색적 데이터 분석을 가능하게 한다.

제안 방법

• 행이 확률을 갖는 마르코프 행렬을 사용하여 고차원 데이터로부터 내재 다样的체 기하학을 유추하는 데이터 기반의 다이퓨전 커널을 구축한다.
• 기하학적으로 정렬된 랜덤 워크를 활용하여 원래의 특징 공간에서 다样的체의 구조를 유지하면서 새로운 데이터 포인트를 생성한다.
• 새로운 포인트가 다样的체의 고밀도 영역으로 유도되도록 가중 전이 커널을 적용하여 기저 데이터 기하학과의 일치를 보장한다.
• 인구 비율이 낮거나 부족한 다样的체 영역을 목표로 하여 새로운 포인트를 생성함으로써 인구 비율을 균형 잡는다.
• 고차원 데이터가 소수의 잠재 요인에 의해 이끄는 저차원 비선형 다样的체 위에 존재한다는 다样的체 가정을 활용한다.
• 세포 유형 복원 검증을 위해 유전자 모듈에 대해 PHATE를 활용한 시각화와 k-means 클러스터링을 수행한다.

실험 결과

연구 질문

• RQ1 기하학 기반 생성 모델이 밀도 기반 모델보다 고차원 데이터의 샘플링 편향 교정에서 뛰어난 성능을 보일 수 있는가?
• RQ2 기하학 기반 데이터 생성이 불균형 데이터셋에서 클러스터링 성능을 얼마나 향상시킬 수 있는가?
• RQ3 SUGAR은 실험적 잡음과 희소성 존재 하에서 진정한 유전자-유전자 관계 탐지에 어떻게 기여하는가?
• RQ4 라벨에 대한 사전 지식 없이 SUGAR이 단일세포 RNA-seq 데이터에서 희귀하거나 부족하게 표현된 세포 유형을 복원할 수 있는가?
• RQ5 SUGAR은 유전자 간 상관관계나 회귀 기반의 의존도 측정법의 정확도를 향상시키는가?

주요 결과

• SUGAR은 단일세포 혈액형성 데이터셋에서 세포 유형의 비율을 성공적으로 균형 잡아, 성숙 B 세포, 전구 B 세포, 호酸성구세포/염기성구세포/비만세포, 호산구 등 희귀 집단을 크게 향상시켰다.
• SUGAR 증강 후 14개의 유전자 모듈에 대해 k-means 클러스터링을 수행한 결과, 이전에 부족하게 표현되었던 성숙 B 세포 클러스터를 포함해 총 7개의 대표 세포 유형을 복원했다.
• 14개의 공발현 모듈에서 선형 회귀 R²와 스케일링된 상관정보 계수 모두 향상되었으며, 특히 상관정보 계수의 강한 증가로 비선형 관계 탐지 능력 향상이 확인되었다.
• SUGAR 적용 후 CD19(성숙 B 세포 마커)와 HOXA3(줄기세포 불성숙 마커) 간의 관계는 더욱 음성으로 변화했고, CASP1(세포 계통 결정 마커)과의 관계는 더욱 양성으로 변화하여 생물학적으로 타당한 개선을 반영했다.
• SUGAR는 EAF2(호산구/단핵구 마커)와 CD19 간에 새로운 생물학적으로 타당한 관계를 드러내었으며, 이후 문헌에서 EAF2가 성숙 B 세포에서 발현 증가하여 자가면역 반응을 억제한다는 사실이 확인되었다.
• KEEL의 61개 불균형 데이터셋에서 SUGAR은 분류 정확도를 향상시켜 생물학적 데이터를 넘어서 일반화 가능성을 입증했다.