[論文レビュー] Combination of digital signal processing and assembled predictive models facilitates the rational design of proteins

David Medina-Ortiz, Sebastián Contreras+5 more|arXiv (Cornell University)|Oct 7, 2020

Machine Learning in Bioinformatics参考文献 57被引用数 5

ひとこと要約

本論文は、高速フーリエ変換（FFT）を用いたデジタル信号処理と、組み合わせた機械学習モデルを組み合わせる画期的な手法を提案する。AAIndexから最適化された疎水性・電荷・立体的性質などの物理化学的性質群を用いてアミノ酸配列をクラスタリングおよび符号化することで、シーケンスを周波数ドメイン表現に変換し、アンサンブルモデルによる優れた予測性能を実現する。これは、単一符号化モデルや従来手法を上回る性能を示し、複数のタンパク質設計タスクで優れた結果を達成する。

ABSTRACT

Predicting the effect of mutations in proteins is one of the most critical challenges in protein engineering; by knowing the effect a substitution of one (or several) residues in the protein's sequence has on its overall properties, could design a variant with a desirable function. New strategies and methodologies to create predictive models are continually being developed. However, those that claim to be general often do not reach adequate performance, and those that aim to a particular task improve their predictive performance at the cost of the method's generality. Moreover, these approaches typically require a particular decision to encode the amino acidic sequence, without an explicit methodological agreement in such endeavor. To address these issues, in this work, we applied clustering, embedding, and dimensionality reduction techniques to the AAIndex database to select meaningful combinations of physicochemical properties for the encoding stage. We then used the chosen set of properties to obtain several encodings of the same sequence, to subsequently apply the Fast Fourier Transform (FFT) on them. We perform an exploratory stage of Machine-Learning models in the frequency space, using different algorithms and hyperparameters. Finally, we select the best performing predictive models in each set of properties and create an assembled model. We extensively tested the proposed methodology on different datasets and demonstrated that the generated assembled model achieved notably better performance metrics than those models based on a single encoding and, in most cases, better than those previously reported. The proposed method is available as a Python library for non-commercial use under the GNU General Public License (GPLv3) license.

研究の動機と目的

• タンパク質工学におけるアミノ酸変異の機能的影響を予測する課題に取り組む。
• 一般性を犠牲にして性能を追求する単一符号化手法の限界や、配列符号化戦略に一貫性がない問題を克服する。
• AAIndexデータベースから意味のある物理化学的性質群を自動的に選択し、一般化可能なデータ駆動型アプローチを確立する。
• 符号化された配列にデジタル信号処理（特にFFT）を適用し、機械学習に適した周波数ドメイン特徴量を抽出する。
• 重み付き投票または平均化による複数のモデルを組み合わせることで、予測精度を向上させる。

提案手法

• AAIndexデータベースに対してクラスタリング、埋め込み表現、次元削減（PCA）を適用し、一貫性のある物理化学的性質のグループを同定する。
• PCA空間（PCA1/PCA2平面）における意味的検索と線形分離を用いて、8つの明確で意味的に整合性のある性質グループを特定した。
• 各グループの第一主成分（分散の85％以上を説明）を用いてグループを代表する符号化を構築し、各シーケンスに対して低次元で意味のある符号化を生成した。
• 符号化された配列に高速フーリエ変換（FFT）を適用し、モデル入力用に周波数ドメイン表現に変換した。
• 周波数空間における予備的な機械学習段階を実施し、各符号化タイプに対してさまざまなアルゴリズムとハイパーパrameterをテストした。
• 各符号化グループで最も性能の良かったモデルを、重み付き平均化または投票を用いて統合し、一般化性能と予測力の向上を図った。

実験結果

リサーチクエスチョン

• RQ1 AAIndexデータベースから意味的で重複のない物理化学的性質のグループを自動抽出し、タンパク質予測のための配列符号化を改善できるか？
• RQ2 FFTを用いて符号化された配列を周波数ドメインに変換することで、タンパク質工学タスクにおける機械学習モデルの性能が向上するか？
• RQ3 異なる性質ベースの符号化で学習された複数のモデルをアンサンブル化することで、個々のモデルよりも優れた予測性能が達成できるか？
• RQ4 本手法は、精度、再現率、多様なタンパク質予測タスクにおける一般化性能の観点から、既存の最先端手法と比較してどのように差をつけるか？
• RQ5 重み付き投票または平均化によるモデルの統合が、予測性能の向上にどのように相乗効果をもたらすか？

主な発見

• 本手法は、抗菌ペプチド（AMP）と非AMPの分類において98.93％の正確性と97.28％の再現率を達成し、単一符号化モデルを上回った。
• 統合モデルは、単一符号化で学習した任意のモデルよりも顕著に優れた性能指標を示し、モデルの組み合わせによる相乗効果が確認された。
• 符号化された配列の周波数ドメイン表現（フーリエスペクトル）は、AMPと非AMPの間で明確な視覚的・定量的分離を示し、高精度な分類を可能にした。
• 本手法は複数のタンパク質工学データセットで最先端の性能を達成し、古典的手法を常に上回り、特定の状況では高度に特化したツールと同等またはそれを上回った。
• PCAで低次元化された、性質グループ固有の符号化により、強固な特徴抽出が可能となり、各グループの第一主成分が分散の85％以上を説明した。
• 最終的な統合モデルは、多様な予測タスクにわたり良好な一般化性能を示し、本手法の一般化可能性と現実のタンパク質工学応用における頑健性を裏付けた。