[論文レビュー] Adaptive BLASTing through the Sequence Dataspace: Theories on Protein Sequence Embedding

Yoojin Hong, Jaewoo Kang+3 more|ArXiv.org|Nov 3, 2009

Genomics and Phylogenetic Studies参考文献 30被引用数 5

ひとこと要約

本論文は、PSSMに基づく系統百科的プロファイリングを効率化するためのヒューリスティックなアルゴリズムAda-BLASTを提案する。この手法は、配列アラインメントを多次元データ空間に適応的に埋め込むことで、従来手法に比べ最大19倍の高速化を達成しながら感度を維持する。埋め込みられたアラインメント特徴量は、特に低相同性領域（25％未塔）において二次構造やトランスメムブレインドメインの検出を向上させることを示しており、PSSMに基づく機能的・進化的推論を向上させるための堅牢な手法であることが裏付けられる。

ABSTRACT

We theorize that phylogenetic profiles provide a quantitative method that can relate the structural and functional properties of proteins, as well as their evolutionary relationships. A key feature of phylogenetic profiles is the interoperable data format (e.g. alignment information, physiochemical information, genomic information, etc). Indeed, we have previously demonstrated Position Specific Scoring Matrices (PSSMs) are an informative M-dimension which can be scored from quantitative measure of embedded or unmodified sequence alignments. Moreover, the information obtained from these alignments is informative, even in the twilight zone of sequence similarity (<25% identity)(1-5). Although powerful, our previous embedding strategy suffered from contaminating alignments(embedded AND unmodified) and computational expense. Herein, we describe the logic and algorithmic process for a heuristic embedding strategy (Adaptive GDDA-BLAST, Ada-BLAST). Ada-BLAST on average up to ~19-fold faster and has similar sensitivity to our previous method. Further, we provide data demonstrating the benefits of embedded alignment measurements for isolating secondary structural elements and the classifying transmembrane-domain structure/function. We theorize that sequence-embedding is one of multiple ways that low-identity alignments can be measured and incorporated into high-performance PSSM-based phylogenetic profiles.

研究の動機と目的

• 従来のPSSMに基づく系統百貨的プロファイリング手法における計算の非効率性と、混合アラインメントによる汚染を解決すること。
• 低相同性領域でも感度を保持する、より高速で適応的な埋め込み戦略の開発。
• 埋め込みられたアラインメント測定値が、二次的構造要素およびトランスメムブレインドメイン分類の検出にどのように寄与するかの検証。
• 配列埋め込みをPSSMに基づく系統的プロファイルの強化に向けた実用的で定量的な手法として確立すること。

提案手法

• 適応的GDDA-BLAST（Ada-BLAST）は、埋め込み済みおよび未加工の配列アラインメントを、多次元データ空間に選択的に統合するヒューリスティックな埋め込み戦略を採用する。
• この手法は、系統的プロファイリングのコア表現として、配列アラインメントから導出された位置特異的スコア行列（PSSMs）をM次元表現として用いる。
• ノイズや低品質なアラインメントによる汚染を低減するための動的フィルタリング機構を適用し、計算効率を向上させる。
• 情報量の多い特徴に応じて、進化的・構造的関連性の高い特徴を優先的に重み付けする、適応的な特徴重み付けを実施する。
• アラインメントスコアと物理的・化学的性質を統合されたベクトル空間にマッピングすることで、埋め込みを実行する。
• ゲノムデータ、アラインメントデータ、物理的・化学的性質といった複数のデータタイプを、統合的かつ相互運用可能なフレームワークに統合し、プロファイリングの精度を向上させる。

実験結果

リサーチクエスチョン

• RQ1 適応的アラインメント埋め込みは、正確性を損なわせることなく、PSSMに基づく系統的プロファイリングの速度と感度を向上させることができるか？
• RQ2 埋め込みられたアラインメント特徴量は、低相同性領域における二次的構造要素の検出にどのように寄与するか？
• RQ3 埋め込みられたアラインメント測定値は、トランスメムブレインドメインの構造および機能分類をどの程度向上させることができるか？
• RQ4 配列埋め込みは、多様な生物学的データをPSSMに基づくプロファイルに統合するための信頼性がありスケーラブルな手法と見なせるか？

主な発見

• Ada-BLASTは、従来の埋め込み手法に比べ、最大19倍の高速化を達成しながら、類似配列検出における感度を同等に維持している。
• 埋め込みられたアラインメント測定値は、特に相同性の低い「twilight zone」（25％未塔）において、二次的構造要素の同定を顕著に向上させている。
• 保存されたアラインメントパターンを活用することで、トランスメムブレインドメインの構造および機能分類がより正確に可能になった。
• アラインメント、物理的・化学的性質、ゲノムデータといった複数のデータタイプを統合されたデータ空間に統合することで、PSSMに基づく系統的プロファイルの情報量が向上した。
• 配列埋め込みが、低相同性タンパク質配列における進化的・機能的関係を捉えるための堅牢で定量的な手法として裏付けられた。