[论文解读] Geometry-Based Data Generation

Ofir Lindenbaum, Jay S. Stanley+2 more|arXiv (Cornell University)|Feb 14, 2018

Morphological variations and asymmetry参考文献 10被引用 12

一句话总结

该论文提出SUGAR，一种基于几何的生成模型，其学习高维数据的内在流形而非其密度分布，从而实现在稀疏或偏差区域的均匀采样。通过利用数据驱动流形上的扩散几何与随机游走，SUGAR纠正了采样偏差，并提升了聚类、分类及互信息估计等下游任务的性能——在单细胞造血发育数据中得到了有效验证。

ABSTRACT

Many generative models attempt to replicate the density of their input data. However, this approach is often undesirable, since data density is highly affected by sampling biases, noise, and artifacts. We propose a method called SUGAR (Synthesis Using Geometrically Aligned Random-walks) that uses a diffusion process to learn a manifold geometry from the data. Then, it generates new points evenly along the manifold by pulling randomly generated points into its intrinsic structure using a diffusion kernel. SUGAR equalizes the density along the manifold by selectively generating points in sparse areas of the manifold. We demonstrate how the approach corrects sampling biases and artifacts, while also revealing intrinsic patterns (e.g. progression) and relations in the data. The method is applicable for correcting missing data, finding hypothetical data points, and learning relationships between data features.

研究动机与目标

• 解决高维生物医学数据中采样偏差与稀疏性问题，特别是在单细胞组学中的挑战。
• 克服基于密度的生成模型对噪声和不平衡采样敏感的局限性。
• 开发一种方法，在内在流形上均匀生成数据，以恢复缺失的亚群和潜在关系。
• 在无需标注数据的情况下，提升聚类、分类及互信息估计等下游任务的性能。
• 在因技术偏差导致罕见细胞类型或基因互作关系被低估的场景中，支持探索性数据分析。

提出的方法

• 构建基于数据的扩散核，利用行随机马尔可夫矩阵从高维数据中推断内在流形几何结构。
• 使用几何对齐的随机游走，在原始特征空间中生成新数据点，同时保持流形结构。
• 应用加权转移核，引导新点向流形的密集区域移动，确保与底层数据几何的一致性。
• 针对数据流形中稀疏或采样不足的区域生成新点，以平衡各类群的出现频率。
• 利用流形假设——高维数据位于由少数潜在因素驱动的低维非线性流形上。
• 使用PHATE进行可视化，并对基因模块进行k-means聚类，以验证数据增强后细胞类型的恢复情况。

实验结果

研究问题

• RQ1 基于流形几何的生成模型是否能在纠正高维数据采样偏差方面优于基于密度的模型？
• RQ2 几何基生成方法在不平衡数据集上的聚类性能改善程度如何？
• RQ3 SUGAR在存在实验噪声和稀疏性的情况下，如何提升真实基因-基因关系的检测能力？
• RQ4 SUGAR是否能在不依赖标签信息的情况下，恢复单细胞RNA-seq数据中罕见或代表性不足的细胞类型？
• RQ5 SUGAR是否能提升基因间互信息及基于回归的依赖性度量的准确性？

主要发现

• SUGAR成功平衡了单细胞造血发育数据集中细胞类型的分布，显著富集了包括成熟B细胞、前体B细胞、嗜酸性/碱性/肥大细胞及中性粒细胞在内的稀有群体。
• SUGAR增强后，对14个基因模块进行的k-means聚类成功恢复了7种典型细胞类型，包括此前代表性不足的成熟B细胞簇。
• 在14个共表达模块中，线性回归的R²和标准化互信息系数均得到提升，互信息的增益更强，表明非线性关系的检测能力显著增强。
• CD19（B细胞成熟标志物）与HOXA3（干细胞未成熟标志物）之间的关系在SUGAR处理后变得更负，而与CASP1（B系决定标志物）的关系变得更正，反映出更符合生物学意义的改善。
• SUGAR揭示了EAF2（中性粒细胞/单核细胞标志物）与CD19之间一种新颖且符合生物学逻辑的关系，后续文献支持EAF2在成熟B细胞中上调以防止自身免疫。
• 在KEEL数据集中的61个不平衡数据集上，SUGAR提升了分类准确率，证明其在生物数据之外也具备良好的泛化能力。