[论文解读] Deep Autoencoders for Dimensionality Reduction of High-Content Screening Data

Lee Zamparo, Zhaolei Zhang|arXiv (Cornell University)|Jan 7, 2015

Cell Image Analysis TechniquesBiochemistry, Genetics and Molecular Biology参考文献 14被引用 16

一句话总结

本文提出堆叠去噪自编码器（SdA）用于高内涵筛选数据的降维，利用深度神经网络捕捉数百万张高维细胞图像中的非线性关系。SdA在将数据降维至10–50维后，通过高斯混合模型聚类评估，其保留生物学上意义明确的表型聚类的能力优于主成分分析（PCA）、局部线性嵌入（LLE）、核主成分分析（Kernel PCA）和等距特征映射（Isomap），表现为聚类同质性更高。

ABSTRACT

High-content screening uses large collections of unlabeled cell image data to reason about genetics or cell biology. Two important tasks are to identify those cells which bear interesting phenotypes, and to identify sub-populations enriched for these phenotypes. This exploratory data analysis usually involves dimensionality reduction followed by clustering, in the hope that clusters represent a phenotype. We propose the use of stacked de-noising auto-encoders to perform dimensionality reduction for high-content screening. We demonstrate the superior performance of our approach over PCA, Local Linear Embedding, Kernel PCA and Isomap.

研究动机与目标

• 解决在高内涵筛选中对数百万个高维细胞图像特征进行聚类的挑战。
• 通过实现保留生物学相关结构的非线性降维，提升表型发现能力。
• 开发一种适用于大规模、无标签筛选数据且标注样本有限的可扩展无监督方法。
• 评估深度自编码器是否能在下游聚类性能上超越经典线性方法和流形学习方法。
• 证明SdA生成的嵌入更易于聚类为具有生物学意义的表型亚群。

提出的方法

• 使用小批量随机梯度下降在经过缩放和归一化的高内涵筛选数据上训练堆叠去噪自编码器（SdA），每张细胞图像包含916个特征。
• 每个去噪自编码器层通过将输入特征中随机一部分值置零来引入噪声，然后通过非线性映射学习重建原始输入。
• 编码器将高维输入映射到低维潜在空间，而解码器则从潜在表示中重建输入，最小化重建损失。
• 通过在GPU加速集群上使用Theano进行网格搜索，对模型架构和超参数（学习率、噪声率、动量、权重衰减）进行调优。
• 最终的SdA模型将数据从916维降至10–50维，随后使用交叉验证初始化的高斯混合模型（GMM）进行聚类。
• 性能通过五次独立运行的平均同质性分数评估，并报告标准差。

实验结果

研究问题

• RQ1 堆叠去噪自编码器是否能在高内涵筛选数据中实现优于PCA和Isomap等经典方法的降维效果？
• RQ2 SdA的非线性建模能力是否能提升在降维空间中生物上不同的表型亚群的分离效果？
• RQ3 SdA在保留与表型分类相关的类间与类内距离方面，与核主成分分析（Kernel PCA）和局部线性嵌入（LLE）相比表现如何？
• RQ4 SdA是否能有效扩展到数百万数据点，同时在无监督聚类任务中保持高性能？
• RQ5 SdA学习到的低维表示是否比线性或流形基方法更适用于识别表型一致的聚类？

主要发现

• 在所有降维维度（10至50维）下，SdA在聚类同质性方面始终优于PCA、LLE、Isomap和核主成分分析（Kernel PCA）。
• 三层和四层SdA模型达到最高平均同质性，其中性能最佳的SdA模型显著优于核主成分分析（Kernel PCA）。
• 与核主成分分析（Kernel PCA）相比，SdA产生了更宽的平均类间距离，表明其在不同表型群体之间的分离效果更优。
• 尽管SdA并不总能实现最紧密的类内聚类，但其在最大化类间分离方面表现最佳，从而提升了聚类的可靠性。
• SdA在极少超参数调优下即实现优异性能，尤其在基础学习率优化后表现更佳。
• 使用小批量随机梯度下降实现了大规模数据的高效训练，支持对数百万个细胞的可扩展性。