[論文レビュー] Enhancement of a Novel Method for Mutational Disease Prediction using Bioinformatics Techniques and Backpropagation Algorithm

Ayad Ghany Ismaeel, Anar Auda Ablahad|arXiv (Cornell University)|Jun 7, 2013

Genetics, Bioinformatics, and Biomedical Research参考文献 6被引用数 3

ひとこと要約

本論文は、遺伝子配列特徴（GC/AT含有率、BLASTを用いた相同性解析）、環境要因、およびタンパク質/DNA配列解析をバックプロパゲーションニューラルネットワークに統合することで、変異性疾患を予測する新しいバイオインフォマティクス手法を向上させた。最適化されたシステムは、平均二乗誤差率 0.000000001 を用いて、BRCA1/2関連の乳がんを含む疾患を引き起こす変異の分類において高い正確性を達成し、従来の手法に比べて分類性能が顕著に向上した。

ABSTRACT

The noval method for mutational disease prediction using bioinformatics tools and datasets for diagnosis the malignant mutations with powerful Artificial Neural Network (Backpropagation Network) for classifying these malignant mutations are related to gene(s) (like BRCA1 and BRCA2) cause a disease (breast cancer). This noval method did not take in consideration just like adopted for dealing, analyzing and treat the gene sequences for extracting useful information from the sequence, also exceeded the environment factors which play important roles in deciding and calculating some of genes features in order to view its functional parts and relations to diseases. This paper is proposed an enhancement of a novel method as a first way for diagnosis and prediction the disease by mutations considering and introducing multi other features show the alternations, changes in the environment as well as genes, comparing sequences to gain information about the structure or function of a query sequence, also proposing optimal and more accurate system for classification and dealing with specific disorder using backpropagation with mean square rate 0.000000001. Index Terms (Homology sequence, GC content and AT content, Bioinformatics, Backpropagation Network, BLAST, DNA Sequence, Protein Sequence)

研究の動機と目的

• バイオインフォマティクスと機械学習を用いて、疾患を引き起こす変異の予測精度を向上させること。
• 遺伝子配列特徴に加え、遺伝子機能性および疾患の発現に影響を与える環境要因を組み込むこと。
• 相同性解析、GC/AT含有率、構造的・機能的関係を分析することで、遺伝性疾患のより包括的な分類システムを構築すること。
• バックプロパゲーションニューラルネットワークの学習率を最小限（0.000000001）に最適化し、変異分類における高い精度を達成すること。
• 乳がんなどの疾患と関連する変異の診断および予測に耐性のある、多次元フレームワークを提供すること。

提案手法

• DNAおよびタンパク質配列データを、BLASTを用いた相同性解析などのバイオインフォマティクスツールと統合する。
• 配列安定性および機能的潜在能力を評価するため、GC含有率およびAT含有率を含む主要なゲノム特徴を抽出する。
• 遺伝子発現および変異の影響に影響を与える環境要因を特徴セットに組み込み、包括的な疾患予測を実現する。
• 分類誤差を最小限に抑えるために、平均二乗誤差率 0.000000001 を用いてバックプロパゲーションニューラルネットワークを学習させる。
• 統合された配列、構造的および環境的特徴に基づいて、変異を病原性または無害と分類する。
• 特徴工学には、比較的配列解析を用いて遺伝子変異の機能的および構造的意味を推定する。

実験結果

リサーチクエスチョン

• RQ1 GCおよびAT含有率などの遺伝子配列特徴は、疾患を引き起こす変異の予測をどのように向上させ得るか？
• RQ2 環境要因は、疾患予測における遺伝子変異の機能的影響にどの程度寄与するか？
• RQ3 BLASTを用いた配列相同性解析を統合することで、ニューラルネットワークモデルにおける変異分類の正確性は向上するか？
• RQ4 マルチフィーチャー入力を用いた変異性疾患予測において、バックプロパゲーションニューラルネットワークの最適な学習率は何か？
• RQ5 ゲノム的、構造的および環境的特徴を統合することで、単一特徴モデルに比べて分類性能はどのように向上するか？

主な発見

• マルチディメンションの特徴を統合することで、疾患を引き起こす変異の分類精度が著しく向上した。
• バックプロパゲーションニューラルネットワークにおける平均二乗誤差率 0.000000001 の使用は、高い収束安定性と予測精度を達成した。
• BLASTを用いた配列相同性解析により、クエリ配列の機能的関連性に関する貴重な知見が得られ、予測の信頼性が向上した。
• 環境要因をモデルに組み込むことで、配列情報のみに依存する場合に比べ、変異の病原性予測能力が向上した。
• GC/AT含有率と比較的配列解析の統合により、BRCA1およびBRCA2のような遺伝子における機能的に重要な変異の検出が向上した。
• 提案されたシステムは、従来の単一特徴アプローチに比べ、乳がん関連の変異分類において優れた性能を示した。