[論文レビュー] Automatic learning of pre-miRNAs from different species

Ivani de Oliveira Negrão Lopes, Alexander Schliep+1 more|arXiv (Cornell University)|Aug 3, 2015

Genomics and Phylogenetic Studies被引用数 4

ひとこと要約

本研究では、45種の多様な種にわたる前-miRNA予測を向上させるために、アンサンブルベースの機械学習手法を提案する。種特異的な前-miRNA構造のバイアスがモデルのパフォーマンスを低下させることを示し、計算的に効率の良い特徴量のアンサンブルが分類誤差を顕著に低減し、特に計算コストの高いエネルギーベースのモデルと比較して精度を向上させることを明らかにする。

ABSTRACT

Discovery of microRNAs (miRNAs) relies on predictive models for characteristic features from miRNA precursors (pre-miRNAs). The short length of miRNA genes and the lack of pronounced sequence features complicate this task. To accommodate the peculiarities of plant and animal miRNAs systems, tools for both systems have evolved differently. However, these tools are biased towards the species for which they were primarily developed and, consequently, their predictive performance on data sets from other species of the same kingdom might be lower. While these biases are intrinsic to the species, the characterization of their occurrence can lead to computational approaches able to diminish their negative effect on the accuracy of pre-miRNAs predictive models. Here, we investigate in this study how 45 predictive models induced for data sets from 45 species, distributed in eight subphyla, perform when applied to a species different from the species used in its induction. Our computational experiments show that the separability of pre-miRNAs and pseudo pre-miRNAs instances is species-dependent and no feature set performs well for all species, even within the same subphylum. Mitigating this species dependency, we show that an ensemble of classifiers reduced the classification errors for all 45 species. As the ensemble members were obtained using meaningful, and yet computationally viable feature sets, the ensembles also have a lower computational cost than individual classifiers that rely on energy stability parameters, which are of prohibitive computational cost in large scale applications. In this study, the combination of multiple pre-miRNAs feature sets and multiple learning biases enhanced the predictive accuracy of pre-miRNAs classifiers of 45 species. This is certainly a promising approach to be incorporated in miRNA discovery tools towards more accurate and less species-dependent tools.

研究の動機と目的

• 異なる亜門/クラスに属する45種の前-miRNA予測パフォーマンスが、種特異的な構造的・配列的特徴によってどのように変動するかを調査すること。
• 学習アルゴリズムおよび特徴量セットの選択が、前-miRNA検出における分類精度に与える影響を評価すること。
• 複数の分類器と特徴空間を組み合わせることで、miRNA同定ツールにおける種依存のパフォーマンス低下を低減すること。
• 高コストなエネルギー安定性計算に依存せずに、高い精度を維持しつつ、計算的に効率の良いアンサンブルベースのアプローチを開発すること。
• 多様な界に適用可能な、種特異的バイアスが少なく、より強固な前-miRNA分類器を構築するためのフレームワークを提供すること。

提案手法

• 45種の前-miRNAおよび偽前-miRNAデータを用いて、7つの異なる特徴量セット（FS1–FS7）と3つの学習アルゴリズム（J48、ランダムフォレスト、SVM）を用いて、45個の個別分類器を訓練した。
• 異なる特徴量セットおよびアルゴリズムで訓練された複数のベース分類器の予測を組み合わせることで、アンサンブルモデル（例：Emv24、Ewv8-SVMs）を構築した。
• 誤分類パターンの重なりと乖離を定量化するために、ヴェン図と誤差率分析（e1–e7）を用いた。
• 分類誤差率と感度を用いて、種ごとのモデルパフォーマンスを評価し、個別モデルとアンサンブルモデルを比較した。
• 生物学的妥当性と計算効率を確保するため、シャッフルされた配列から導出された特徴量を除外した。
• 再現可能性を確保するため、公開済みのデータセットおよびソフトウェアパッケージ（multispecies.tar.gz）を用いて結果を検証した。

実験結果

リサーチクエスチョン

• RQ1 異なる亜門/クラスに属する45種の前-miRNA分類器の予測パフォーマンスは、どのように変動するか？
• RQ2 異なる特徴量セットと学習アルゴリズムが、前-miRNA検出における種特異的分類誤差にどの程度寄与するか？
• RQ3 複数の特徴量セットと学習アルゴリズムを組み合わせたアンサンブル手法は、種を超えた一般化を向上させ、分類誤差を低減できるか？
• RQ4 多様な仮説（アンサンブルによる統合）の組み合わせは、前-miRNA予測における種特異的バイアスの悪影響をどのように緩和できるか？
• RQ5 計算的に効率の良い特徴量セットは、精度を損なわずに大規模な前-miRNA分類においてエネルギーベースのモデルを上回ることができるか？

主な発見

• 前-miRNA分類の正確性は種に強く依存しており、同じ亜門/クラス内であっても、1つの特徴量セットがすべての45種で優れたパフォーマンスを発揮することはなかった。
• 3つの分類器（J48、RF、SVM）がすべての特徴量セットで誤分類するインスタンスの割合は3.2％から6.7％の間であり、誤りの著しい重なりを示しており、アンサンブル手法の必要性を強調している。
• Emv24、Ewv8-SVMs、Ewv24などのアンサンブルモデルは、大多数の種において個別分類器よりも高い予測正確性を達成し、全体的な分類誤差を低減した。
• アンサンブル手法は、計算コストの高いエネルギー安定性パrameterに依存せずに、個別モデルよりも高い正確性を達成しており、大規模応用に適している。
• J48ベースのアンサンブルは、多様な特徴量セットと組み合わせることで性能が向上し、仮説の多様性が耐性を高めることを示している。
• 本研究では、すべての種に対して最適な前-miRNA分類を達成できる単一の学習アルゴリズムや特徴量セットは存在しないことが確認され、適応的でマルチモデル戦略の必要性が強調された。