IRIS: time-structured manifold projections

技術要約：IRIS – 時間構造を持つ多様体投影

問題提起
単一細胞RNAシーケンシング（scRNA-seq）、比較メタゲノミクス、科学文献の埋め込み表現などの高次元バイオメディカルデータは、時間的次元（例：発生段階、被験者の年齢、出版日）を伴って生成されることが増えています。t-SNEやUMAPのような多様体学習アルゴリズムは、類似した項目をグループ化することで高次元構造を可視化するために不可欠ですが、これらは本質的に教師なし学習であり、レイアウト構造に時間の順序性を組み込むことはできません。その結果、細胞型やその他のクラスの動態が不明瞭になることがあります。

現在の回避策は不十分です：

1. 並列表示: クラスと時間を別々のプロットで色分けして表示する方法は、それらを照らし合わせるための煩雑なスキャン作業を必要とし、特定のクラスの時間範囲を推定したり、時間の極端な値を特定したりすることを困難にします。
2. Aligned UMAP: この手法は、複数のレイアウトを生成し、それらの間の移動にペナルティを課します。しかし、これは少数の離散的なタイムスライスを必要とし、かつ同じ項目が複数のスライスに存在することを前提としていますが、scRNA-seqなどの時系列データではこれは稀なケースです。さらに、複数のビューの問題を悪化させ、アニメーションや扱いにくい3Dプロットを必要とすることがよくあります。

手法
著者らは、低次元レイアウトを時系列および多様体のトポロジーの両方によって構造化する新しい多様体学習アルゴリズムである IRIS (Incorporating Radial time-structured Inverse Structure) を提案しています。IRISは、時間が同心円状に外側へ放射状に広がる円形レイアウトを作成することで、角度次元に高次元の関係をエンコードする円形レイアウトを生成します。

アルゴリズムは主に2つのフェーズで進行します：

1. フェーズ1：放射指数（時間マッピング）の最適化

   • 目的: 点の密度が半径方向に一様になるようにタイムスタンプを環状の半径にマッピングし、「混雑問題（crowding problem）」に対処して、位置から時間を推定できるようにすること。
   • メカニズム: 時間 $t$ は、冪関数を用いて半径 $r$ にマッピングされます：$r_i = \zeta + (1 - \zeta)t_i^\rho$。ここで、$\zeta$ は内径比を制御するハイパーパラメータであり、$\rho$ は最適化されるグローバルな指数です。
   • 最適化: アルゴリズムは、アニュラス（環状領域）内に密度の一様な分布を実現する理想的な確率密度関数 (PDF) $P(X)$ を定義します。そして、KLダイバージェンスを用いて、理想的なPDFと、データから導出された半径の分布 $Q$ との間のダイバージェンスを最小化する最適な $\rho^*$ を特定します。このフェーズは、時間的な歪みを考慮に入れます。
   • 再サンプリング: 疎な、あるいは粗いタイムラベルによるバンディング・アーティファクトを防ぐため、IRISはオプションとして確率的な時間再サンプリング（均質または不均質）を提供し、より連続的な時間分布を作成します。

2. フェーズ2：角度（多様体構造）の最適化

   • 目的: 高次元の関係を保持しつつ、フェーズ1で決定された半径に各点を拘束するように、各点の角度 $\theta_i$ を最適化すること。
   • メカニズム: アルゴリズムは、ユークリッド・コスト関数をデカルト座標から極座標へと再パラメータ化します。これは、近似最近傍（ANN）に基づくエッジ確率を定義する、LargeVis（UMAPの前身）に似た確率的フレームワークを利用します。
   • コスト関数: コスト関数 $C$ は、ユークリッド距離と角度距離のバランスを取ります。正のペア（高次元空間における近傍）については、半径と角度の両方における距離を最小化します。負のペアについては、分離を最大化します。コストには、ユークリッド距離と角度距離の寄与をバランスさせるためのハイパーパラメータ $\beta$ が含まれます。
   • 最適化: 高次元空間と低次元空間の間の距離分布のダイバージェンスを最小化するために、角度 $\Theta$ を更新する確率的勾配降下法が使用されます。

主な貢献

• アルゴリズムの革新性: IRISは、時間が同心円状に外側へ放射状に広がる円形レイアウトを作成するという新しい帰納バイアスを導入しており、これにより、色チャネルに頼ることなく、レイアウトの幾何学構造から直接、時間的関係を可視化することを可能にします。
• 再パラメータ化: 本論文は、ユークリッド・コスト関数を極座標へと数学的に再パラメータ化する詳細を記述しており、これにより、グローバルな時間マッピング（半径）とローカルな多様体構造（角度）の同時最適化が可能になります。
• 時間的再サンプリング: レイアウトの視覚的なアーティファクトを避けるために、疎な、あるいは粗いタイムラベルを扱うための戦略を提案しています。
• 実装: IRISはPythonおよびC++で実装されており、LargeVisフレームワークを活用しており、オープンソースパッケージとして提供されています。

結果
著者らは、3つのバイオメディカル領域にわたる5つのデータセットを用いてIRISを評価しました：

1. scRNA-seq (Embryo): マウスの胎生発生（28,604細胞）。
2. scRNA-seq (Neuro): 神経変性疾患アトラス（30,556サンプル）。
3. Metagenomes (Gut): 29の研究にわたる腸内細菌叢データ（4,479サンプル）。
4. Literature (ADRD): アルツハイマー病および関連疾患（ADRD）のコーパス（17,518論文）。
5. Literature (PD-1): 免疫チェックポイント経路のコーパス（27,866論文）。

評価指標:

• クラス構造化 (KNN): レイアウト座標からクラスラベルを予測するK近傍法（KNN）の精度によって測定。
• 時間構造化 (SVR): レイアウト座標からタイムスタンプを予測するサポートベクター回帰（SVR）モデルの適合度 $R^2$ によって測定。
• TMPS: KNNとSVRの調和平均として定義される、時間構造化多様体投影スコア（Time-structured Manifold Projection Score）。

知見:

• 視覚的明瞭性: IRISのレイアウトは、対になったUMAPプロットでは容易に判別できない動的な現象（例：細胞型の分岐、神経前駆細胞の明確な起源）を即座に解明します。
• 定量的性能: 定量的指標は、IRISが（UMAPが苦手とする）時間によるレイアウト構造化を効果的に行いつつ、UMAPと同等のクラス構造化能力を保持していることを裏付けています。
• スケーラビリティ: IRISの実行時間は、サンプル数に対して線形にスケールします。

意義と主張
本論文は、IRISが既存の多様体学習アルゴリズムにおける、時系列データの扱いに関する限界への解決策を提供すると主張しています。レイアウトを時系列およびトポロジーによって同時に構造化することにより、IRISは時間的関係をレイアウト自体から明確に可視化し、色チャネルをクラス情報のエンコードのために解放することを可能にします。著者らは、IRISを、幅広い動的なバイオメディカルデータを可視化できるツールとして位置づけており、並列比較やマルチビューのアニメーションに代わる、より直感的で情報密度の高い代替手段を提供しています。本研究は、データの可視化およびバイオメディカルにおける機械学習の分野へのオープンソースの貢献として提示されています。