[논문 리뷰] Multi-View Variational Autoencoder for Missing Value Imputation in Untargeted Metabolomics

Zhao Chen, Kuan‐Jui Su외 14명|PubMed|2023. 10. 12.

Metabolomics and Mass Spectrometry StudiesBiochemistry, Genetics and Molecular Biology참고 문헌 33인용 수 3

한 줄 요약

이 논문은 전체 게놈 시퀀싱(WGS) 데이터, 다유전자 위험 점수(PGS), 그리고 연합형 불균형도 분석을 거친 SNP를 통합하여 비표적 대사체 분석에서 누락된 대사물질 값을 보정하기 위한 다중 시야 변동형 오토인코더(MVAE)를 제안한다. 공유된 잠재 공간에서 게놈 및 대사체 특징을 동시에 모델링함으로써, 이 방법은 71.55%의 대사물질에서 R² > 0.01을 달성하여 전통적인 보정 기법보다 뚜렷이 뛰어난 성능을 보였다.

ABSTRACT

The integration of WGS data in metabolomics imputation not only improves data completeness but also enhances downstream analyses, paving the way for more comprehensive and accurate investigations of metabolic pathways and disease associations. Our findings offer valuable insights into the potential benefits of utilizing WGS data for metabolomics data imputation and underscore the importance of leveraging multi-modal data integration in precision medicine research.

연구 동기 및 목표

• 비표적 대사체 분석 데이터셋에서의 누락 값 문제를 해결함으로써 데이터 품질과 후속 분석의 정확성을 향상시키기 위해.
• 전체 게놈 시퀀싱(WGS) 데이터와 대사체 분석을 융합하여 보정 정확도를 향상시키는 방법을 탐색하기 위해.
• 게놈 및 대사체 특징을 동시에 모델링하는 다중 모odal 딥 러닝 프레임워크를 개발하여 보정 성능을 향상시키기 위해.
• 실제 대사체 분석 데이터셋에서 알려진 누락 값이 존재하는 상황에서 본 방법의 효과성을 평가하기 위해.
• 다중 시야 표현 학습이 정밀의료 및 시스템 생물학 분야에서 어떻게 활용될 수 있는지 보여주기 위해.

제안 방법

• 본 방법은 다중 시야 변동형 오토인코더(MVAE)를 사용하여 세 가지 데이터 시야를 동시에 모델링한다: 누적 점수, 다유전자 위험 점수(PGS), WGS 데이터에서 유도된 연합형 불균형도 분석을 거친 SNP.
• 누적 점수, PGS, 및 정제된 SNP와 같은 게놈 특징에서 잠재 표현을 학습하여 공유되며 상보적인 정보를 포착한다.
• 공유된 잠재 공간에서 유도된 게놈 데이터를 기반으로, MVAE는 누적된 대사물질 값을 재구성하기 위해 종합적으로 훈련된다.
• 다중 시야 게놈 입력을 저차원 잠재 공간으로 압축하기 위해 딥 신경망을 활용한 특징 추출이 수행된다.
• 잠재 표현을 복원하여 비표적 대사체 분석 데이터에서 누락된 대사물질 강도를 예측함으로써 보정을 달성한다.
• SNP, PGS, 및 대사물질 수준 간의 상관관계를 활용하여 보정의 강건성을 향상시킨다.

실험 결과

연구 질문

• RQ1 전체 게놈 시퀀싱(WGS) 데이터와 대사체 분석을 융합하면 비표적 대사체 분석에서 누락된 값 보정의 정확도가 향상되는가?
• RQ2 다중 시야 변동형 오토인코더는 전통적인 보정 기법에 비해 누락된 대사물질 값을 처리하는 데서 어떤 차이를 보이는가?
• RQ3 누적 점수, PGS, 및 연합형 불균형도 분석을 거친 SNP가 함께 작용할 경우, 대사물질 보정을 위한 잠재 표현 학습이 얼마나 향상되는가?
• RQ4 MVAE를 통한 다오미크스 데이터의 공동 모델링이 더 신뢰성 있고 생물학적으로 의미 있는 보정을 이끌어내는가?
• RQ5 MVAE 프레임워크의 성능은 다양한 대사물질에 걸쳐 R² 및 일관성 측면에서 어떻게 평가되는가?

주요 결과

• 제안된 MVAE 방법은 누적 점수, PGS, 및 연합형 불균형도 분석을 거친 SNP로부터 유도된 35개의 템플릿 대사물질을 사용할 때, 71.55%의 대사물질에서 R² > 0.01을 달성하였다.
• 본 방법은 전통적인 보정 기법에 비해 뛰어난 보정 성능을 보였으며, 특히 생물학적으로 관련성이 있는 대사물질 패턴을 회복하는 데 뛰어난 성능을 보였다.
• WGS 데이터의 통합은 데이터 완전성 향상과 후속 대사체 분석에서의 편향 감소에 기여하여 뚜렷한 효과를 보였다.
• MVAE가 학습한 잠재 공간은 게놈 위험 요인과 대사물질 수준 간의 잠재된 생물학적 관계를 효과적으로 포착하였다.
• 모델의 성능은 다양한 대사물질 유형에 걸쳐 뛰어난 안정성을 보였으며, 이는 비표적 대사체 분석 분야에 넓은 적용 가능성을 시사한다.
• 결과적으로, 정밀의료 응용 분야에서 대사체 데이터의 신뢰성을 향상시키기 위해 다중 모달리티 데이터 융합의 가치가 뚜렷이 드러났다.