[論文レビュー] A complexity measure for symbolic sequences and applications to DNA

A. P. Majtey, Ramón Román-Roldán+1 more|ArXiv.org|Jun 13, 2006

Fractal and DNA sequence analysis被引用数 3

ひとこと要約

本稿では、符号的系列を比較的均一な組成を持つ領域に分割し、その領域長の分布のエントロピーとして複雑性を定量化する、複雑性測度を提案する。この測度は、一峰性曲線、超加法性、分析分解能への感受性といった重要な性質を満たし、特にコーディング領域とノンコーディング領域の間の構造的差異を明らかにする。長距離相関とイントロン含有量を示す配列では、高い複雑性を示す。

ABSTRACT

We introduce a complexity measure for symbolic sequences. Starting from a segmentation procedure of the sequence, we define its complexity as the entropy of the distribution of lengths of the domains of relatively uniform composition in which the sequence is decomposed. We show that this quantity verifies the properties usually required for a ``good'' complexity measure. In particular it satisfies the one hump property, is super-additive and has the important property of being dependent of the level of detail in which the sequence is analyzed. Finally we apply it to the evaluation of the complexity profile of some genetic sequences.

研究の動機と目的

• 秩序と不規則性の両方を捉えることができ、一峰性曲線や超加法性といった基本的性質を満たす符号的系列の複雑性測度を開発すること。
• 分析の詳細度に依存する複雑性の依存関係、特に調整可能なセグメンテーション閾値を通じての分析を調査すること。
• この測度が、コーディング対ノンコーディング領域や長距離相関を含むゲノム配列の構造的および進化的特徴を検出できるかを評価すること。
• 既存手法と比較して、特にDNA配列における生物学的に意味のあるパターンを区別する能力を評価すること。

提案手法

• 閾値に基づくセグメンテーション手順を用いて、符号的系列を連続する比較的均一な組成を持つ領域に分割する。
• セグメンテーションから得られる領域長の確率分布のシャノンエントロピーとして複雑性を定義する。
• 分析の詳細度を制御するため、セグメンテーション閾値 $ D_u $ を調整し、マルチスケールの複雑性評価を可能にする。
• 実際のDNA配列（ヒトおよび細菌ゲノムなど）と比較のため、コンピュータ生成のランダム配列にこの測度を適用する。
• 重み付き平均を用いて超加法性の性質を検証し、連結された系列の複雑性と個々の複雑性の和を比較する。
• 異なるゲノム領域（例：エクソン対イントロン）および異なる種からの相同配列における複雑性プロファイルを分析し、生物学的妥当性を評価する。

実験結果

リサーチクエスチョン

• RQ1 提案された複雑性測度は、秩序と不規則性の両方が中程度に現れる段階で最大値を示す一峰性を示すか？
• RQ2 複雑性値はセグメンテーション閾値 $ D_u $ にどのように依存するか？これは、配列構造の意味のあるマルチスケール分析を反映しているか？
• RQ3 複雑性測度は、合成系における複雑性の強固な測度として求められる超加法性を満たしているか？
• RQ4 この複雑性測度は、長距離相関を示す配列において、コーディング領域とノンコーディング領域を区別できるか？
• RQ5 異なる種の相同配列において、複雑性は生物学的複雑性および進化的特徴とどの程度相関しているか？

主な発見

• 複雑性測度は一峰性を示し、系列の規則性が中程度の段階で最大値に達する。これは、複雑な構造を検出できる能力を裏付ける。
• バクテリアの ECO110k と同じ塩基組成を持つランダム系列では、$ D_u $ が 20–50 の範囲で複雑性がゼロに低下する。これは、この手法がランダム性を効果的に同定できることを示している。
• ヒトDNA配列（例：HUMTCRADCV）は、同じ $ D_u $ 範囲においてバクテリア配列よりも高い複雑性を示す。これは、背後にある長距離相関を反映している。
• 複雑性プロファイルは、$ D_u $ の増加に伴いゼロに減衰しない。これは、従来の測度とは異なり、構造的特徴に対するロバストネスと感受性を示している。
• この測度は超加法性を満たしている：連結された系列の複雑性は、個々の複雑性の重み付き和以上である。
• ノンコーディング領域（イントロンおよびインターリンク領域）の複雑性値はコーディング領域よりも高く、長距離相関と進化的ダイナミクスと相関している。