[論文レビュー] Biological sequence analysis

Terence P. Speed|ArXiv.org|Apr 24, 2003

Genomics and Phylogenetic StudiesBiochemistry, Genetics and Molecular Biology参考文献 5被引用数 17

ひとこと要約

本稿は、生物学的配列解析における確率的モデリングの包括的概要を提示し、隠れマルコフモデル（HMM）とその進化を焦点に、単純な正規表現から高度なプロファイルHMMおよび一般化HMM（GHMM）へと発展したゲノム領域同定への応用を述べている。これらのモデルがモチーフのばらつきやゲノム構造を効果的に捉えることで、DNA配列内における機能的要素（例：亜鉛フィンガードメイン、遺伝子）の正確な同定が可能となる。

ABSTRACT

This talk will review a little over a decade's research on applying certain stochastic models to biological sequence analysis. The models themselves have a longer history, going back over 30 years, although many novel variants have arisen since that time. The function of the models in biological sequence analysis is to summarize the information concerning what is known as a motif or a domain in bioinformatics, and to provide a tool for discovering instances of that motif or domain in a separate sequence segment. We will introduce the motif models in stages, beginning from very simple, non-stochastic versions, progressively becoming more complex, until we reach modern profile HMMs for motifs. A second example will come from gene finding using sequence data from one or two species, where generalized HMMs or generalized pair HMMs have proved to be very effective.

研究の動機と目的

• 過去10年間における生物学的配列解析における確率的モデルの発展と応用をレビューすること。
• 決定論的モデル（例：正規表現）が配列のばらつきを捉える能力に限界を示し、確率的モデルに劣ることを示すこと。
• 位置特異的アミノ酸頻度をモデル化する強力な手法としてプロファイルHMMを導入すること。
• 一般化HMM（GHMM）を用いた遺伝子予測の実例を示し、エクソン、イントロン、リーディングフレームといった複雑なゲノム特徴をモデル化すること。
• 比較ゲノム解析において、一般化ペアHMM（GPHMM）を用いた進化的保存の統合が、機能的要素の検出精度を向上させることを強調すること。

提案手法

• 固定されたアミノ酸パターンと可変長スパーサーを持つ、C2H2亜鉛フィンガー構造ドメインのような決定論的モチーフを正規表現で定義する。
• 位置特異的アミノ酸頻度の視覚的表現としてシーケンスロゴを導入し、共通配列を越えたモチーフのばらつきを捉える。
• 各位置に発生確率を割り当てることで、プロファイルHMMを用いてモチーフをモデル化し、シーケンス一致の確率的スコアリングを可能にする。
• 一般化HMM（GHMM）を用いて遺伝子構造をモデル化し、状態の持続時間、リーディングフレーム、ストランドの方向性をゲノム配列に統合する。
• ヒトとマウスなどの複数種由来の相同配列間で、アラインメントと遺伝子同定を同時にモデル化するため、一般化ペアHMM（GPHMM）を用いる。
• Viterbiアルゴリズムと後方確率デコードを用いて、観測された配列に対して最も確率の高い状態系列（例：遺伝子アノテーション）を統計的推論により計算する。

実験結果

リサーチクエスチョン

• RQ1 決定論的モデル（例：正規表現）は、生物学的モチーフの自然な配列ばらつきに対応するために、どのように改善可能か？
• RQ2 プロファイルHMMは、共通配列ベースや正規表現モデルに比べて、生物学的に有意義なモチーフをどの程度優れて検出できるか？
• RQ3 HMMは、遺伝子予測におけるエクソン、イントロン、リーディングフレームといった複雑なゲノム特徴を、どのように拡張してモデル化できるか？
• RQ4 ペアHMMによる進化的保存の統合は、比較ゲノム解析における遺伝子同定およびモチーフ検出の精度を向上させることができるか？
• RQ5 現実の誤りを含む生物学的配列データに対して、HMMベースのモデルを実装・キャリブレーションする際の主な課題は何か？

主な発見

• プロファイルHMMは、位置特異的アミノ酸頻度をモデル化することで、決定論的正規表現に比べて誤検出と見逃しを著しく低減し、モチーフ検出の性能を向上させる。
• 一般化HMM（GHMM）は、状態の持続時間、リーディングフレーム、ストランド方向性を統合することで、ゲノム配列における正確な遺伝子アノテーションを可能にする。
• GHMMとペアHMMを統合したGPHMMを用いることで、相同配列間で同時にアラインメントと遺伝子同定が可能となり、保存された機能的要素の検出精度が向上する。
• シーケンスロゴの使用により、共通配列を越えたモチーフのばらつきを視覚的かつ定量的に要約でき、生物学的意義を単なる共通配列よりも効果的に捉えることができる。
• Genscan や SLAM といったHMMベースの手法は、遺伝子予測および比較解析において高い性能を示し、これらのモデルの実世界ゲノム応用における有効性を裏付けている。
• 成功を収めているにもかかわらず、HMMベースのモデルはモデル設計、実装、データキャリブレーションの面で課題を抱えており、生物学者との密接な連携と、堅牢なベンチマークデータセットの必要性が求められる。