[论文解读] Class-Conditional VAE-GAN for Local-Ancestry Simulation

Daniel Mas Montserrat, Carlos D. Bustamante+1 more|arXiv (Cornell University)|Nov 27, 2019

Generative Adversarial Networks and Image Synthesis参考文献 25被引用 12

一句话总结

本文提出一种类别条件的 VAE-GAN 模型，用于生成模仿真实单祖先单倍型的合成人类基因组序列，使无需访问敏感或专有基因组数据即可训练局部祖先推断（LAI）工具。当在生成序列上进行训练时，该方法在测试数据上实现了 97.72% 的 RFMix 准确率——几乎与使用真实非洲以外人群数据训练所得的 97.75% 准确率相当，证明了合成数据在 LAI 中的实用性。

ABSTRACT

Local ancestry inference (LAI) allows identification of the ancestry of all chromosomal segments in admixed individuals, and it is a critical step in the analysis of human genomes with applications from pharmacogenomics and precision medicine to genome-wide association studies. In recent years, many LAI techniques have been developed in both industry and academic research. However, these methods require large training data sets of human genomic sequences from the ancestries of interest. Such reference data sets are usually limited, proprietary, protected by privacy restrictions, or otherwise not accessible to the public. Techniques to generate training samples that resemble real haploid sequences from ancestries of interest can be useful tools in such scenarios, since a generalized model can often be shared, but the unique human sample sequences cannot. In this work we present a class-conditional VAE-GAN to generate new human genomic sequences that can be used to train local ancestry inference (LAI) algorithms. We evaluate the quality of our generated data by comparing the performance of a state-of-the-art LAI method when trained with generated versus real data.

研究动机与目标

• 解决因缺乏真实、私密或专有基因组数据而导致训练局部祖先推断（LAI）工具受限的挑战。
• 开发一种生成模型，以生成类似于真实人类基因组数据的合成单祖先单倍体序列。
• 仅通过训练好的生成模型即可训练 LAI 算法（如 RFMix），而无需直接访问敏感基因组数据集。
• 通过测量在合成数据与真实数据上训练的 LAI 方法的下游性能，评估生成数据的质量。

提出的方法

• 将类别条件变分自编码器（VAE）与类别条件生成对抗网络（GAN）结合，以生成特定祖先的基因组序列。
• 使用 VAE 编码器将输入序列映射到潜在嵌入空间，通过重构损失和 Kullback-Leibler 散度实现正则化。
• 训练解码器从潜在码和祖先标签重构序列，最小化均方误差和对抗损失。
• 采用判别器网络区分真实序列与生成序列，使用二元交叉熵损失提升生成序列的真实感。
• 通过从潜在空间的标准正态先验采样并使用祖先标签解码，生成新序列。
• 采用滑动窗口方法，通过为不同序列窗口分配不同祖先，模拟混合祖先个体。

实验结果

研究问题

• RQ1 类别条件的 VAE-GAN 是否能够生成足够逼真的人类基因组序列，以用于训练最先进的 LAI 工具？
• RQ2 与仅使用 VAE 相比，引入对抗训练（GAN）如何影响生成序列的质量？
• RQ3 在合成数据上训练的 LAI 性能在多大程度上可与在真实非洲以外人群模拟数据上训练的模型性能相匹配？
• RQ4 该生成模型能否生成保留种群特异性连锁不平衡模式和遗传相关性的序列？

主要发现

• 在 VAE-GAN 生成数据上训练的 RFMix 在测试集上达到 97.72% 的准确率，接近在真实非洲以外人群数据上训练所得的 97.75% 准确率。
• VAE-GAN 模型显著优于仅使用 VAE 的基线模型，后者仅达到 93.05% 的测试准确率，证明了对抗训练的价值。
• 引入判别器和对抗损失提升了生成序列的真实感，从而在 LAI 任务中带来更好的下游性能。
• 该模型成功生成了每种祖先 80 个合成单倍体序列，且生成个体之间的成对相关性较低，有效避免了冗余。
• 该方法使无需访问真实、敏感或专有基因组数据即可训练 LAI 工具成为可能，提供了一种保护隐私的替代方案。
• 结果验证了生成模型在群体遗传学和精准医学应用中作为真实基因组数据代理的潜力。