[논문 리뷰] OmicsMapNet: Transforming omics data to take advantage of Deep Convolutional Neural Network for discovery

Shiyong Ma, Zhen Zhang|arXiv (Cornell University)|2018. 04. 14.

Bioinformatics and Genomic Networks참고 문헌 62인용 수 26

한 줄 요약

OmicsMapNet은 생물학적 계층 구조(예: KEGG BRITE)를 기반으로 고차원적 오믹스 데이터를 2차원 이미지 유사 표현으로 변환하여, 표현형 분류에 깊이 학습 기반의 컨volutional 신경망(CNN)을 적용할 수 있도록 한다. 이 방법은 저-grade 뇌신생물(LGG) 대 비만성 뇌신생물(GBM) 분류에서 높은 정확도를 달성하였고, CNN의 해석 가능성 기반으로 기능적으로 관련된 분자적 특징을 식별하여, 다오믹스 탐색을 위한 생물학적 지식 통합이 가능한 새로운 프레임워크를 입증하였다.

ABSTRACT

We developed OmicsMapNet approach to take advantage of existing deep leaning frameworks to analyze high-dimensional omics data as 2-dimensional images. The omics data of individual samples were first rearranged into 2D images in which molecular features related in functions, ontologies, or other relationships were organized in spatially adjacent and patterned locations. Deep learning neural networks were trained to classify the images. Molecular features informative of classes of different phenotypes were subsequently identified. As an example, we used the KEGG BRITE database to rearrange RNA-Seq expression data of TCGA diffuse glioma samples as treemaps to capture the functional hierarchical structure of genes in 2D images. Deep Convolutional Neural Networks (CNN) were derived using tools from TensorFlow to learn the grade of TCGA LGG and GBM samples with relatively high accuracy. The most contributory features in the trained CNN were confirmed in pathway analysis for their plausible functional involvement.

연구 동기 및 목표

• 고차원 오믹스 데이터와 딥러닝 간 격차를 해소하기 위해 생물학적 관계를 유지하는 2차원 표현으로 데이터를 변환하는 것.
• 기능 옹고로지 기반으로 분자 특징의 공간적 구성 구조를 활용하여 딥 컨volution 신경망(CNN)이 오믹스 데이터로부터 학습할 수 있도록 하는 것.
• 표현형 분류에 기여하는 생물학적으로 의미 있는 특징(예: 뇌신생물의 종류)을 식별하는 것.
• 경로 분석을 통해 식별된 특징의 기능적 관련성을 검증하여 생물학적 타당성을 확보하는 것.
• 복잡한 질환에서 다오믹스 탐색을 위한 이미지 기반 딥러닝의 타당성과 효율성을 입증하는 것.

제안 방법

• 개별 샘플의 오믹스 데이터(예: RNA-Seq)가 KEGG BRITE 경로와 같은 계층적 기능적 애너테이션을 기반으로 생물학적으로 관련된 유전자들이 공간적으로 배치되도록 2차원 이미지로 재구성된다.
• 결과적으로 생성된 2차원 표현은 계층적이고 기능적인 관계를 유지하는 트리맵 구조로 구성된다.
• TensorFlow에서 사전 학습된 딥 컨볼루션 신경망(CNN)이 이러한 오믹스 지도 유사 이미지에서 표현형 클래스(예: LGG 대 GBM)를 분류하도록 미세조정된다.
• 분류에 기여하는 핵심 분자 특징을 식별하기 위해 훈련된 CNN에서 활성화 맵과 기울기 기반 시각화 기법을 사용하여 특징 중요도를 추출한다.
• 식별된 특징들은 기능적 관련성을 확인하기 위해 경로 풍부도 분석을 통해 교차 검증된다.
• 동일한 변환 및 학습 파이프라인을 재사용함으로써, 다양한 오믹스 유형 간 전이 학습 및 일반화를 지원한다.

실험 결과

연구 질문

• RQ1 고차원 오믹스 데이터가 생물학적 기능적 관계를 유지하는 2차원 이미지 표현으로 효과적으로 변환될 수 있는가?
• RQ2 이러한 2차원 오믹스 지도에서 훈련된 딥 컨볼루션 신경망이 복잡한 표현형(예: 뇌신생물 종류)을 정확하게 분류할 수 있는가?
• RQ3 CNN이 식별한 가장 영향력 있는 특징들이 뇌신생물 형성과 관련된 알려진 생물학적 경로와 일치하는가?
• RQ4 생물학적 지식(예: KEGG BRITE)을 데이터 표현에 통합함으로써 딥러닝 모델의 해석 가능성과 성능이 향상되는가?
• RQ5 제안된 방법이 다양한 오믹스 데이터 유형과 표현형 분류에 일반화 가능한가?

주요 결과

• OmicsMapNet은 RNA-Seq 데이터를 2차원 트리맵 표현으로 변환하여 TCGA 뇌신생물 샘플을 저-grade 뇌신생물(LGG)과 비만성 뇌신생물(GBM)으로 높은 정확도로 분류하였다.
• 훈련된 CNN이 식별한 기여도가 높은 특징들이 기존에 알려진 암 관련 경로에 풍부하게 포함되어 있어, 뇌신생물 형성과의 기능적 관련성을 확인하였다.
• 이 방법은 KEGG BRITE의 계층적 구조를 효과적으로 활용하여 오믹스 특징을 공간적으로 정렬함으로써, CNN이 기능적 관계의 복잡한 패턴을 탐지할 수 있도록 하였다.
• 훈련된 CNN의 시각화 맵은 특정 유전자와 경로가 분류의 주요 동인으로 작용함을 강조하여 생물학적 해석 가능성을 뒷받침하였다.
• 생물학적 맥락을 공간적 데이터 구조에 통합함으로써, 딥러닝 모델이 오믹스 데이터에 효과적으로 적용될 수 있음을 입증하였다.
• 이 프레임워크는 생물학적 지식을 딥러닝에 통합하기 위한 확장 가능하고 해석 가능한 파이프라인을 제공한다.