GraphPI: Efficient Protein Inference with Graph Neural Networks

Technische Samenvatting: GraphPI – Efficiënte Proteïne-inferentie met Grafische Neuronale Netwerken

Probleemstelling
Proteïne-inferentie, het proces van het identificeren van proteïnen op basis van peptiden die worden gedetecteerd in tandem-massaspectrometrie (MS/MS)-experimenten, blijft een aanzienlijke uitdaging in de proteomica. De moeilijkheid vloeit voort uit hoge dynamische bereiken in proteïne-abundantie, beperkingen bij de vertering en de ambiguïteit die wordt geïntroduceerd door gedeelde peptiden (peptiden die uit meerdere proteïnen kunnen worden afgeleid) en één-slag-proteïnen (die slechts worden ondersteund door één enkel peptied). Hoewel methoden op basis van Bayesiaanse netwerken (bijv. Fido, Epifany) effectief zijn geweest, lijden ze onder hoge rekenkosten en gevoeligheid voor a-priori-kansen. Omgekeerd hebben deep-learningbenaderingen in dit domein moeite gehad vanwege het gebrek aan uitgebreid gelabelde datasets die voor training vereist zijn, aangezien accurate proteïne-annotatie kostbaar en complex is. Bestaande deep-learningpogingen, zoals Barista en DeepPep, hebben te maken gehad met problemen waaronder overfitting op decoy-proteïnen, een misalignement tussen trainings- en testdoelstellingen, en rekeninefficiëntie.

Methodologie
De auteurs introduceren GraphPI, een nieuw kader dat proteïne-inferentie herformuleert als een knopclassificatieprobleem binnen een grafstructuur, waarbij gebruik wordt gemaakt van Grafische Neuronale Netwerken (GNN's) en semi-supervised learning.

• Constructie van een tripartiete graf: De kern van de methodologie is een heterogene tripartiete graf die bestaat uit drie knoptypen: Proteïnen, Peptiden en Peptide-Spectrum Matches (PSM's).
  • Knopen: PSM-knopen maken gebruik van kenmerken die zijn afgeleid van zoekmachines zoals Percolator. Proteïne- en peptidenknopen, die geen inherente kenmerken hebben, krijgen leerbare one-hot-embeddings toegewezen om knoptypen te onderscheiden terwijl inductieve capaciteiten worden behouden.
  • Randen: Randen verbinden proteïnen met peptiden en peptiden met PSM's. De auteurs introduceren specifieke randattributen om heterogeniteit te verwerken:
    • Peptide-PSM-randen: Gewogen op basis van peptide-identificatiescores om de informatieflow te sturen op basis van betrouwbaarheid.
    • Proteïne-Peptide-randen: Omvatten een "peptide-sharing"-kenmerk. Dit attribuut straalt peptiden af die door meerdere proteïnen worden gedeeld, en implementeert effectief een "explain away"-mechanisme waarbij de bijdrage van een peptied wordt afgetrokken als het geen uniek bewijs is voor een specifiek proteïne.
• GNN-architectuur: Het model maakt gebruik van een aangepaste architectuur gebaseerd op GraphSAGE om de heterogeniteit van de graf te verwerken. Het maakt gebruik van afzonderlijke message-passing-functies en leerbare gewichten voor verschillende randtypen (proteïne-peptied versus peptide-PSM), waardoor het netwerk informatie recursief kan aggregeren en knooprepresentaties kan bijwerken op basis van de specifieke aard van de verbindingen.
• Strategie voor semi-supervised training: Om het gebrek aan grondwaarheid-gelabelde data te overwinnen, maakt GraphPI gebruik van een semi-supervised aanpak:
  1. Pseudo-labeling: Het model wordt aanvankelijk getraind op grote, ongelabelde publieke datasets (van ProteomeXchange) met behulp van pseudo-labels die zijn gegenereerd door een bestaand benchmark-algoritme (Epifany). Proteïnen die een specifieke False Discovery Rate (FDR)-drempel overschrijden, worden gelabeld als positief; decoy-proteïnen worden expliciet gelabeld als negatief.
  2. Self-training: Het model ondergaat iteratieve self-training. In elke ronde genereert het model nieuwe confidence-scores, die worden gebruikt om de pseudo-labels voor de volgende trainingsiteratie te verfijnen.
  3. Ensemble: De uiteindelijke proteïnescoringen zijn afgeleid van een ensemble-gemiddelde van modellen die zijn getraind over meerdere self-training-ronde.
• Universele toepasbaarheid: Een belangrijke ontwerpkeuze is het trainen van één enkel model op een diverse reeks publieke datasets. Door de normalisatie van Percolator-kenmerken tonen de auteurs aan dat dit ene model universeel kan worden toegepast op nieuwe testdatasets zonder dataset-specifieke fine-tuning.

Belangrijkste bijdragen

• Nieuw kader: GraphPI is de eerste toepassing van GNN's en een semi-supervised trainingsschema specifiek voor het probleem van proteïne-inferentie.
• Ontwerp van heterogene graf: De constructie van een proteïne-peptied-PSM tripartiete graf met op maat gemaakte randattributen (specifiek het peptide-sharing-kenmerk) stelt het model in staat complexe afhankelijkheden te vangen en het "explain away"-effect dat inherent is aan Bayesiaanse methoden te implementeren, maar binnen een neuronale netwerkkader.
• Efficiëntie van semi-supervised learning: Door gebruik te maken van pseudo-labels en self-training, omzeilt de methode de behoefte aan dure grondwaarheid-labeling.
• Universeel model: Het kader elimineert de noodzaak voor herhaaldelijke training of fine-tuning voor individuele datasets, adresseert overfittingrisico's en verbetert de rekenefficiëntie aanzienlijk.

Resultaten
De auteurs hebben GraphPI geëvalueerd tegenover vier representatieve methoden: Epifany, Fido, PIA en DeepPep over diverse benchmarkdatasets (iPRG2016, Yeast, UPS2, 18Mix, Hela-3T3).

• Prestaties: GraphPI vertoonde concurrerende of superieure prestaties over alle datasets. Het behaalde de hoogste prestaties in termen van het aantal geïdentificeerde ware proteïnen bij lage FDR-bereiken (1%–5%) voor de meeste datasets, waaronder iPRG2016 A/B, Yeast, 18Mix, Hela en 3T3. In datasets met hoge peptide-deling (iPRG2016 AB) stond het tweede, slechts achter PIA.
• Vergelijking met Bayesiaanse methoden: Hoewel Epifany uitblonk in specifieke datasets (iPRG2016 A/B), toonde het overal anders inconsistente prestaties. GraphPI behield consistente hoge prestaties over alle geteste datasets.
• Rekenefficiëntie: GraphPI toonde een significant snelheidsvoordeel. Op de Yeast-dataset voltooide GraphPI inferentie in ongeveer 88 seconden, terwijl Epifany meer dan 14 minuten nodig had. De methode schaalt lineair met de datasetgrootte, in tegenstelling tot de hogere-orde schaling van sommige Bayesiaanse benaderingen.
• Ablatiestudies: Experimenten bevestigden dat het opnemen van harde negatieve decoy-proteïnen en het iteratieve self-training-proces cruciaal waren om de basismodel (Epifany) te overtreffen en de valkuilen van training uitsluitend op target-decoy-labels te vermijden.

Betekenis
Het artikel beweert dat GraphPI een transformatieve stap voorstelt in proteïne-inferentie door succesvol deep learning te integreren in een domein dat historisch werd gedomineerd door probabilistische en heuristische methoden. De betekenis ligt in drie hoofdgebieden:

1. Oplossen van datatekorten: Het adresseert effectief de barrière van beperkte gelabelde data door een robuuste semi-supervised learning-strategie.
2. Rekenbaarheid: Door gebruik te maken van de parallelle aard van neuronale netwerken en het vermijden van dataset-specifieke hertraining, maakt het de analyse mogelijk van grootschalige proteomische datasets die eerder rekenkundig onhaalbaar waren voor Bayesiaanse methoden.
3. Robuustheid: De aanpak van het universele model, getraind op diverse publieke data, mitigeert overfitting en biedt consistente prestaties over gevarieerde experimentele omstandigheden, en biedt een betrouwbaarder alternatief voor methoden die sterk afhankelijk zijn van dataset-specifieke parameteraanpassing.