[论文解读] A step towards neural genome assembly

Lovro Vrček, Petar Veličković+1 more|arXiv (Cornell University)|Nov 10, 2020

Genomics and Phylogenetic Studies被引用 3

一句话总结

该论文提出一种通过可微神经执行训练的图神经网络（GNN）模型，用于学习并同时执行三种关键的基因组图简化算法——传递边移除、末端修剪和泡状结构消除，以实现从头基因组组装。该模型在规模扩大的合成图上实现了超过99%的准确率，并在真实基因组数据（包括λ噬菌体和大肠杆菌基因组）上展现出强大的泛化能力，准确率达到98–99%，标志着向端到端神经基因组组装迈出了重要一步。

ABSTRACT

De novo genome assembly focuses on finding connections between a vast amount of short sequences in order to reconstruct the original genome. The central problem of genome assembly could be described as finding a Hamiltonian path through a large directed graph with a constraint that an unknown number of nodes and edges should be avoided. However, due to local structures in the graph and biological features, the problem can be reduced to graph simplification, which includes removal of redundant information. Motivated by recent advancements in graph representation learning and neural execution of algorithms, in this work we train the MPNN model with max-aggregator to execute several algorithms for graph simplification. We show that the algorithms were learned successfully and can be scaled to graphs of sizes up to 20 times larger than the ones used in training. We also test on graphs obtained from real-world genomic data---that of a lambda phage and E. coli.

研究动机与目标

• 通过用可学习的神经算法替代基于启发式的方法，解决自动化从头基因组组装的挑战。
• 开发一个统一的神经框架，能够并行学习和执行多种图简化算法。
• 证明该模型在训练分布之外的更大规模图和真实基因组数据上的泛化能力。
• 通过引入可微的、数据驱动的简化流程，减少当前拼接工具中对手工设计参数和启发式规则的依赖。

提出的方法

• 使用最大聚合器的图注意力神经网络（MPNN）进行训练，通过逐步监督学习图简化算法。
• 将每种算法（传递边移除、末端修剪、泡状结构消除）建模为具有特定结构约束的图遍历过程。
• 采用可微神经执行方法对中间步骤进行监督，实现对算法逻辑的端到端学习。
• 将模型应用于合成图（规模扩大至训练规模的20倍）以及来自λ噬菌体和大肠杆菌的真实组装图。
• 使用GRU-based解码器，潜在维度K=32，处理节点和边特征，并预测边移除决策。
• 使用Adam优化器进行训练，结合早停策略，并在已知简化规则生成的标签边移除动作上进行监督学习。

实验结果

研究问题

• RQ1 单一神经网络能否以高准确率同时学习并执行多种基因组图简化算法？
• RQ2 在合成图上训练的GNN在具有复杂生物结构的真实基因组组装图上，其泛化能力如何？
• RQ3 当应用于远大于训练图规模的图时，该模型的性能如何扩展？
• RQ4 该模型能否在最先进的拼接工具（如Raven）中，超越或替代基于启发式的简化步骤？
• RQ5 真实基因组中的结构复杂性（如未解析的泡状结构、复杂末端）对模型预测准确率有何影响？

主要发现

• 该模型在规模扩大至训练图20倍的合成图上实现了超过99%的准确率，表现出强大的泛化能力。
• 在真实λ噬菌体数据（60个节点）上，传递边移除准确率为98.04%，末端修剪为93.33%，泡状结构消除为97.47%。
• 在更大的大肠杆菌数据（约3000个节点）上，传递边移除准确率为99.67%，末端修剪为98.84%，泡状结构消除为99.26%。
• 在λ噬菌体中，末端修剪的性能较低，可能是因为其结构复杂性超出了训练算法的覆盖范围。
• 该模型在并行执行三种算法时仍保持高准确率，表明成功实现了多任务学习与知识迁移。
• 结果表明，神经执行简化算法可有效替代基因组组装流程中基于启发式的步骤，尤其在更大、路径状的图上表现更优。