技術概要：OgBench – オミクスデータにおけるグラフニューラルネットワークの評価フレームワーク

問題提起

グラフニューラルネットワーク（GNN）は、帰納的グラフレベル学習の支配的なフレームワークとして確立されている。しかし、既存のベンチマーク（例：OGB、TUDataset、LRGB）は、グラフの数（$n$）がグラフあたりのノード数（$p$）を大幅に上回る $n \gg p$ 領域で主に機能している。これは、ゲノミクス、トランスクリプトミクス、プロテオミクス、エピゲノミクスを含むオミクスの生物学的領域が、$n \ll p$ 領域で動作する点と鮮明な対照をなす。オミクスにおいて、データセットはサンプルあたり数万の遺伝子やタンパク質からなる巨大なグラフを特徴とするが、コスト、プライバシー、臨床的制約により、ラベル付きサンプル（患者または被験者）は希少である。

標準的なベンチマークがこの高次元かつ低サンプル数の現実を反映していないため、現在の GNN 研究は停滞の危機に瀕している。統計的学習において、$n \ll p$ 領域は過学習と不安定性に陥りやすい。GNN は構造的な事前知識を活用することで理論的にはこの設定に恩恵をもたらす可能性があるが、最近の研究では、オミクスタスクにおいて単純な機械学習のベースラインを上回ることはしばしば失敗することが示唆されている。さらに、この分野には標準化されたパイプラインが存在しない。性能向上は、プローブから遺伝子への集約、正規化、共変量調整などの不均一な前処理によってしばしば混乱させられ、改善がアーキテクチャの革新に起因するのか、それともデータ処理の人工物に起因するのかを分離することが困難である。

手法：OgBench フレームワーク

これらのギャップに対処するため、著者らは $n \ll p$ オミクス領域におけるグラフレベル予測のために明示的に設計された最初のベンチマークプラットフォームであるOgBenchを導入する。OgBench は、データ前処理、グラフ構築、モデルトレーニングを分離するモジュール式のエンドツーエンドインフラストラクチャを提供する。

1. 標準化されたデータセット

このフレームワークは、3 つのオミクスモダリティにまたがる 4 つのクリーン化されモデル準備完了のデータセットを統合する：

• HERITAGE（プロテオミクス）： 運動反応者（$n=654$、$p=4977$ タンパク質）の二値分類。
• パーキンソン病（トランスクリプトミクス）： MoCA スコアに基づく認知状態の二値分類（$n=535$、$p=21,755$ 遺伝子）。
• AddNeuroMed（トランスクリプトミクス）： 3 クラス臨床診断（AD、MCI、対照）（$n=711$、$p=17,198$ 遺伝子）。
• BRCA（エピゲノミクス）： 4 クラス乳がんサブタイプ分類（$n=640$、$p=19,049$ 遺伝子にマッピングされたメチル化領域）。

すべてのデータセットは、プローブから遺伝子への集約、正規化、共変量調整を含む一貫した前処理パイプラインを経験し、データ分割は訓練/検証/テストで 70/15/15 に固定されている。

2. モジュール式グラフ構築

OgBench は、制御されたアブレーション研究を可能にするため、ノード選択とエッジ構築を交換可能なモジュールとして扱う：

• ノード選択： 戦略には、分散フィルタリング、ピアソン相関、距離相関（非線形依存関係用）、およびランダム部分サンプリングが含まれる。これにより、研究者はモデル性能に対する特徴選択の事前知識の影響を研究できる。
• エッジ構築： 2 つの主要な戦略がサポートされている：
  • データ駆動型： スケールフリートポロジーを近似するためのソフトしきい値処理を伴うペアワイズピアソン相関により構築された共発現グラフ。
  • 生物学的事前知識： STRING データベースから導出されたタンパク質間相互作用（PPI）ネットワーク（中程度の信頼性の相互作用）。
  • 重要なのは、隣接行列がすべてのサンプルで固定（グローバルトポロジー）されるのに対し、ノード特徴（発現値）はサンプル固有のまま残る点である。

3. モデルスイートとベースライン

このフレームワークは、古典的なベースラインに対して多様なモデル群をベンチマークする：

• ベースライン： サポートベクターマシン（SVM）およびエラスティックネット（正則化線形モデル）。これらは高次元設定においてしばしば競争力がある。
• 深層学習ベースライン： グラフトポロジーの貢献を非線形特徴変換から分離するために用いられる多層パーセプトロン（MLP）。
• GNN：
  • 古典的： GCN、GraphSAGE、GATv2、GIN。
  • スケーラブル： 大規模グラフ向けに設計された SAGN。
  • オミクス特化型： スペクトル畳み込みの ChebNet、マルチレベルアテンションの MLA-GNN。
  • トランスフォーマー： 汎用グラフトランスフォーマー（GPS）。

4. 評価プロトコル

実験には、学習率や層数などに関するグリッドサーチによる厳密なハイパーパラメータ最適化と、小サンプル領域における検証ベースの選択の不安定性を軽減するためのTop-K アンサンブル集約が含まれる。指標には、マクロ F1、重み付き F1、精度、AUROC が含まれ、計算効率の測定も併せて行われる。

主要な結果

4 つのデータセット全体の実験的評価により、いくつかの重要な洞察が得られた：

1. GNN は単純なベースラインを一貫して上回らない： $n \ll p$ 領域において、広く使用されている GNN（GCN、GAT、GIN）は、しばしば単純な MLP や古典的な正則化線形モデル（SVM、エラスティックネット）を説得力を持って上回ることができない。パーキンソン病や BRCA のようなデータセットでは、線形ベースラインが競争力があるか、あるいは優位である。
2. タスク依存性の構造の有用性： グラフ構造の価値はデータセットに強く依存する。HERITAGE データセットではグラフベースの手法が優位性を示したが、他のデータセットではそうではなかった。これは、構造的な帰納的バイアスがオミクスにおいて普遍的に有益ではないことを示唆している。
3. リードアウト機構が重要である： GNN がベースラインを下回るデータセット（パーキンソン病、BRCA）において、MLP リードアウト（メッセージパッシングなしにノード埋め込みに対して重みを学習する）を使用することは、バニラプーリング（平均/合計集約）よりも著しく優れている。これは、局所的なメッセージパッシングではなく、グローバルな特徴統合が性能を駆動しており、これらの場合、ノード特徴自体を超えてグラフトポロジーが追加するシグナルは限定的であることを示している。
4. ノード選択が重要である： ノード選択戦略の選択はモデル性能と複雑に相互作用する。興味深いことに、HERITAGE においては、ランダムなノード選択がしばしば最良のグラフベース性能をもたらした。これは、予測性の低いノードであってもネットワークの接続性を維持することがメッセージパッシング機構にとって重要であり、個々の予測性のあるノードを選ぶ相関ベースの選択はグラフ構造を破壊する可能性があることを示唆している。
5. エッジソースの感度： 単一のエッジソース（PPI 対共発現）が他を一貫して上回ることはない。最適な選択は、特定の GNN バックボーンとデータセットに依存し、エッジソース自体よりもアーキテクチャとトポロジーの相互作用の方が重要であることを示唆している。
6. 検証の不安定性： $n \ll p$ 領域では、小さな検証セットに基づいて単一の最良モデルを選択することは信頼できない。アンサンブル集約（上位 K 構成からの予測を平均化）は分散を低減し、単一構成の選択ではしばしば隠れてしまう真のモデルの優位性を明らかにする。

意義と主張

本論文は、OgBench が生物医学における GNN の適用に対して必要な「現実チェック」を提供すると主張している。データが希少で高次元のオミクス設定において、標準的な GNN が単純な手法を上回ることにしばしば苦労していることを露呈させることで、このフレームワークは、グラフ構造が本質的に価値を追加するという支配的な仮定に挑戦する。

著者らは、この分野が標準的なベンチマークにおける漸進的な性能向上を超えて、学習パラダイムの批判的再評価に取り組む必要があると論じている。結果は、基礎構造の有効性や $n \ll p$ 領域に対するアーキテクチャの適切性を問うことなく、盲目的に生物学的データにグラフ手法を適用することは停滞を招く可能性があることを示唆している。OgBench は、生物学的グラフに明示的に適合した新しいアーキテクチャの開発を促進し、そのような革新を検証するための再現性のあるオープンソースエコシステムをコミュニティに提供することを目的としている。コードとデータセットは、この移行を促進するために公開されている。