GRAFT: Biological Graph and Hypergraph Benchmarks for Linked Gene Expression and Phenotypic Trait Prediction in Arabidopsis thaliana

GRAFT: 生物学的グラフおよびハイパーグラフ・ベンチマークの技術要約

問題提起
現代の生物学における中心的な課題は、生物のゲノム（遺伝子型）とその観察可能な特性（表現型）の関係をマッピングすることであり、これは「ゲノム・トゥ・フェノーム（G2P）」問題として知られている。ハイスループット技術によって膨大なマルチオミクスデータが生成されているものの、現在のデータセットやリポジトリはG2P解析を行うには不十分である。既存のリソースは通常、データ型が孤立している。画像由来の表現型のみを含むものもあれば、遺伝子発現プロファイルのみを含むものもあり、同一の個体標本から得られたゲノムデータとフェノムデータを結びつけているものは極めて少ない。さらに、既存のベンチマークの多くは特定の均質な形質に焦点を当てており、生物学的データの異種性（例：形態学的、発達学的、生理学的測定値の組み合わせ）を捉えきれていない。このような統合されたマルチモーダル・ベンチマークデータの欠如は、高次元で構造化された生物学的データに基づき、どの遺伝子がどの形質を制御しているかを推論できる計算ツールの開発を阻害している。

手法
これらのギャップに対処するため、著者らは GRAFT（Gene-Graph Regression for Arabidopsis Functional Traits）という、キュレーションされたマルチモーダル・データセットおよびベンチマーク・フレームワークを導入する。

• データセットの構築: GRAFTは、同一のシロイヌナズナ (Arabidopsis thaliana) 個体における全ゲノム遺伝子発現プロファイルと、異種的な表現型形質測定値を結びつけている。

  • ゲノミクス: 4つの遺伝的に異なる系統にわたる6個体/系統、計24個体のRNAシーケンシング（RNA-seq）データ（34,123個のトランスクリプト）。
  • フェノミクス: 77個体に対して測定された41の表現型パラメータ。うち23個体が完全なペアリング・データを持つ。ベンチマークは、5つの形質（画像由来の葉面積、手動測定による花序の高さ、および分光法により収集された3つの光合成/生理学的指標：FvP/FmP、qL、葉温差）を対象としている。
  • アノテーション: データセットには、豊富な遺伝子アノテーション（UID、シンボル、記述）およびGene Ontology（GO）用語が含まれる。決定的なことに、GO用語は ハイパーエッジ としてエンコードされており、各ハイパーエッジは特定の生物学的機能に参加する遺伝子の集合を接続し、ハイパーグラフ構造を形成している。
  • モデリング・アプローチ: 本論文では、遺伝子発現から形質を予測するためのマルチアウトプット目的関数 ($f: \mathbb{R}^G \to \mathbb{R}^T$) の下での回帰モデルをベンチマークしている。
  • 前処理: 2段階の遺伝子フィルタリング（分散およびSpearman相関）により、データリークを防ぐために上位1,024個の遺伝子に次元を削減する。
  • ベースライン: 以下の3種類のモデルクラスを比較する。
    1. MLP: 高密度なフィードフォワード・ネットワーク。
    2. グラフニューラルネットワーク (GCN): WGCNAに基づくTopological Overlap Matrix (TOM) を利用して、ペアごとの遺伝子共発現エッジを定義する。
    3. ハイパーグラフニューラルネットワーク (HGNN): GO用語のアノテーションを利用してハイパーエッジを定義し、共有された生物学的プロセスに関与する遺伝子間のn項関係を捉える。
  • 説明可能性: フレームワークは、特徴量の重要性のためのSHAP (GradientSHAP) および、サブグラフ抽出のためのグラフ説明器（例：GNNExplainer）を採用している。

• 評価指標:

  • 予測精度: 層化K-分割交差検証を用いた平方根平均二乗誤差 (rMSE) によって測定される。
  • 生物学的説明想起率 (Biological Explanation Recall: BER): モデルの説明によって特定された上位-$k$個の遺伝子が、既知の形質に関連するGO用語をどの程度回収しているかを評価する新しい指標（ハイパー幾何学的濃縮テストによる）。
  • DEGオーバーラップ: モデルによって説明された遺伝子と、独立して導出された発現変動遺伝子 (DEG) リストとの重複の統計的有意性 ($-\log_{10}$ p値)。

主な結果

• 予測性能: すべての5つの形質および交差検証の設定において、HGNNはMLPおよびGCNを一貫して上回った。例えば、Leaf Area（葉面積）において、HGNN（UniGATを使用）は最も低いrMSE（0.961）を達成したが、これはMLP（1.058, 1.051）およびGCN（1.197, 1.338）と比較して優れている。
• 説明の忠実度:
  • BERスコア: HGNNは、GCNやMLPよりも有意に高い生物学的説明想起率を示した。光合成形質において、HGNNのBERは$k$の増加に伴い単調に増加したが、GCNは低い$k$値においてほぼゼロのBERを示し、その説明が生物学的に拡散していることを示唆した。
  • DEGオーバーラップ: HGNN（特にHConv）は、独立したDEGリストと強い有意な重複を示したが（p値は5.4から28.4の範囲）、GCNおよびMLPは低さ、あるいは有意ではない重複しか示さなかった。
• 解釈: 結果は、高密度回帰（MLP）やペアワイズなグラフ構造（GCN）は中程度の予測精度を達成できるものの、生物学的に整合した説明を生み出すことはできないことを示している。ハイパーグラフ（GO用語のグルーピング）によって提供される構造的事前知識は、生物学的に解釈可能な遺伝子セットを生成するために極めて重要である。

意義および主張
著者らは、GRAFTが同一のシロイヌナズナ (Arabidopsis thaliana) 標本に対して、マルチモーダルな遺伝子情報と異種的な表現型データを連結させた最初のデータセットであると主張している。その主要な意義は以下の通りである：

1. データギャップの解消: 本研究は、ゲノムプロファイルとフェノムプロファイルを同一の個体から組み合わせたベンチマークリソースの決定的な不足に対処し、直接的なゲノム・トゥ・フェノーム・モデリングを可能にする。
2. 構造的事前知識の検証: 生物学的知識（ハイパーグラフを介して）をモデルアーキテクチャに直接組み込むことが、このサンプルサイズにおいて、純粋なデータ駆動型のアプローチでは再現できない解釈性の向上をもたらすことを実証した。
3. G2P研究の促進: 公開データセット、ベンチマークタスク、および説明フレームワークを提供することで、GRAFTは機械学習と生物学のコミュニティがG2Pの課題に取り組むための障壁を下げ、特に植物育種や形質予測のための重要な遺伝子の特定を支援することを目指している。

限界
著者らは、サンプルサイズ（連結された24標本）が絶対的な回帰性能と統計的検定力に制限を与えることを認めている。また、データセットはシロイヌナズナに特化しており、これらのモデルの作物や他の種への転用可能性は未解決の問いである。最後に、BER指標はGene Ontologyアノテーションの完全性と現在の状態に依存する。