ARO: Aligned Representation learning for multi-Omics data

Motivation

• Known: Foundation Models(FMs)와 transformer 기반 접근법들이 multi-omics 데이터를 통합해 self-supervised로 joint representation을 학습하는 데 활용되어 왔으며, DAE, MKL 등의 기존 방법들이 특정 task에 특화되어 효과를 보여왔다.
• Gap: 기존 방법들은 대체로 완전하고 잘 정렬된 multi-omics 데이터를 가정하거나, missing modality에 대한 robustness에만 초점을 맞추고 완전한 modality reconstruction, 즉 transcriptomics로부터 proteomics·metabolomics를 추론하는 cross-modal inference 문제는 여전히 open problem으로 남아 있다.
• Why: 기능적 분자 assay는 비용이 높고 paired, complete한 multi-omics 데이터 확보가 어려운 상황에서, 저비용으로 접근 가능한 transcriptomic 데이터만으로 다른 omic layer를 재구성할 수 있다면 대규모 실험적 검증에 대한 의존도를 줄이면서도 질병 기전과 치료 반응에 대한 포괄적 이해를 가능하게 할 수 있어 중요하다.
• Approach: ARO는 여러 modality에 걸쳐 공유되는 단일 autoencoder와 masking 전략을 결합하여, 대규모 외부 데이터 pretraining이나 생물학적 prior(pathway 정보, imaging 등) 없이도 결측·unpaired modality를 재구성하도록 설계된 masked autoencoder 모델이다.

Achievement

1. 결측 modality 재구성 성능: ARO는 validation set에서 MSE 0.166, test set에서 MSE 0.168의 우수한 재구성 성능을 달성하여 transcriptomics만으로 proteomics와 metabolomics를 신뢰성 있게 예측할 수 있음을 보였다.
2. 의미 있는 latent representation 학습: 학습된 latent embedding이 omics-modality 간 데이터 특성을 올바르게 구분(discriminate)할 수 있음을 확인했다(Figure 3, Figure 5의 TSNE cluster).
3. Downstream classification 성능: latent embedding을 활용한 downstream task에서 종양(tumorous) 샘플 분류 100% 정확도, laterality classification 72.4% 정확도를 달성했다.
4. 경량화된 실용적 설계: 대규모 Foundation Model 대비 훨씬 단순한 단일 MLP 기반 autoencoder로 제한적·불완전한 데이터 환경에서도 실용적으로 적용 가능함을 입증했다.

How

• Glioblastoma cohort와 renal cell cancer cohort 두 개의 공개 multi-omics 암 데이터셋(gene expression, proteome, metabolome 등)을 ENSG gene ID(g:Profiler)와 KEGG metabolite ID(MetaboAnalyst)로 harmonize하여 115×74,002 크기의 unified patient-level matrix를 구성.
• median imputation, winsorization(1st/99th percentile clamping), per-feature Z-score normalization, log1p transform 등 순차적 전처리를 통해 결측치 처리와 이상치 완화, 정규화를 수행.
• 70/15/15 비율로 patient-level train/validation/test split을 수행하고, validation/test 분포 정보가 training에 누출되지 않도록 함.
• MLP 기반 encoder-decoder 구조에 ReLU 비선형성을 적용한 masked autoencoder로, forward pass마다 10%의 feature를 무작위로 0으로 마스킹.
• ARO MASKED(입력에서 transcriptomics를 제외한 모든 modality를 마스킹)와 ARO UNMASKED(마스킹 없음) 두 가지 학습 설정을 비교.
• 결측값(NaN)을 binary mask로 손실 계산에서 제외하며 Huber loss로 재구성 품질을 최적화하고, MSE와 downstream classification metric으로 성능을 평가.

Originality

• 대규모 pretraining이나 biological prior(knowledge graph, pathway, imaging proxy) 없이, 단일 공유 autoencoder만으로 여러 omics modality 간 masked reconstruction을 수행하는 단순하고 실용적인 접근을 제시.
• 기존 연구들이 주로 서로 다른 modality(구조 vs 시퀀스 데이터 등)의 fusion에 초점을 맞춘 것과 달리, 동일한 tabular modality 내에서의 multi-omics alignment에 집중.
• unpaired, 결측 샘플이 흔한 현실적 제약 하에서 transcriptomics만으로 proteomics·metabolomics 전체를 복원하는 complete modality recovery를 목표로 함(기존 연구는 주로 missing subset에 대한 robustness에 그침).

Limitation & Further Study

• 두 코호트가 서로 다른 transcriptomic quantification pipeline(FPKM vs TPM)을 사용함에도 harmonization 없이 feature별 독립적 정규화만 수행하여, cohort 간 이질성이 완전히 해소되지 않았을 가능성이 있음.
• 총 샘플 수가 115명으로 매우 적어 일반화 가능성 및 통계적 신뢰도에 한계가 있으며, 이는 특히 100% 분류 정확도와 같은 결과의 과적합 가능성을 시사함.
• 생물학적 prior나 pathway 정보를 배제한 설계 방식이 해석 가능성(interpretability) 측면에서 제한적일 수 있음.
• laterality classification 정확도(72.4%)가 상대적으로 낮아, 모든 downstream task에 균일하게 강건하지 않음을 보여주며, 추가적인 모델 개선이나 더 큰 규모의 검증 데이터셋을 통한 후속 연구가 필요함.

Evaluation

총평: ARO는 대규모 Foundation Model 대비 단순하고 실용적인 단일 autoencoder 구조로 제한된 multi-omics 암 데이터에서 결측 modality 재구성과 downstream classification에 유의미한 성능을 보여주는 실용적 연구이나, 매우 적은 샘플 수와 코호트 간 이질성 처리의 한계로 일반화 가능성에 대한 추가 검증이 필요하다.