[論文レビュー] HMACA: Towards Proposing a Cellular Automata Based Tool for Protein Coding, Promoter Region Identification and Protein Structure Prediction

Kiran Sree Pokkuluri, Inampudi Ramesh Babu+1 more|arXiv (Cornell University)|Jan 21, 2014

Cellular Automata and Applications参考文献 21被引用数 3

ひとこと要約

本論文では、タンパク質コード領域、プロモーター領域の同定およびタンパク質構造予測を目的としたハイブリッドマルチアトラクター細胞オートマトン（HMACA）分類器、HMACAを提案する。HMACAは、コード領域およびプロモーター領域の分類で76%の正確性を達成し、タンパク質構造予測では80%の正確性を示し、既存手法に比べ4–12%の正確性向上を達成した。

ABSTRACT

Human body consists of lot of cells, each cell consist of DeOxaRibo Nucleic Acid (DNA). Identifying the genes from the DNA sequences is a very difficult task. But identifying the coding regions is more complex task compared to the former. Identifying the protein which occupy little place in genes is a really challenging issue. For understating the genes coding region analysis plays an important role. Proteins are molecules with macro structure that are responsible for a wide range of vital biochemical functions, which includes acting as oxygen, cell signaling, antibody production, nutrient transport and building up muscle fibers. Promoter region identification and protein structure prediction has gained a remarkable attention in recent years. Even though there are some identification techniques addressing this problem, the approximate accuracy in identifying the promoter region is closely 68% to 72%. We have developed a Cellular Automata based tool build with hybrid multiple attractor cellular automata (HMACA) classifier for protein coding region, promoter region identification and protein structure prediction which predicts the protein and promoter regions with an accuracy of 76%. This tool also predicts the structure of protein with an accuracy of 80%.

研究の動機と目的

• DNA配列におけるタンパク質コード領域およびプロモーター領域を正確に同定する課題に対処すること。
• 既存手法を超えてタンパク質構造予測の正確性を向上させること。
• マルチタスクゲノム解析のための、ハイブリッドマルチアトラクター細胞オートマトン（HMACA）を用いた新しい計算フレームワークの開発。
• 統一的でルールベースの細胞オートマトンモデルを通じて、遺伝子アノテーションタスクの複雑さと誤り率を低減すること。

提案手法

• HMACA分類器は、ゲノム配列内の動的状態遷移をシミュレートするために、ハイブリッドマルチアトラクター細胞オートマトンモデルを採用する。
• ゲノム配列は細胞オートマトンの状態に符号化され、コード領域およびプロモーターに関連するパターンを検出するように設計されたルールが適用される。
• 複数のアトラクターを用いて異なる生物学的特徴を表現し、安定した状態パターンへの収束を通じて分類を実現する。
• 特徴抽出は、細胞オートマトングリッド内の局所的近接相互作用を通じて行われ、生物学的配列依存性を模倣する。
• ラベル付きゲノムデータセットを用いて訓練することで、高い分類正確性を実現するルールセットを最適化する。
• タンパク質構造予測は、同一のオートマトン状態遷移から導かれる二次構造パターン認識を用いて統合される。

実験結果

リサーチクエスチョン

• RQ1 細胞オートマトンベースのモデルは、DNA配列におけるタンパク質コード領域の同定において、既存手法を上回る正確性を達成できるか？
• RQ2 同じモデルは、現在のツールと比較して、より高い精度でプロモーター領域を効果的に検出できるか？
• RQ3 HMACAフレームワークは、高い信頼性でタンパク質二次構造を予測できる程度に達するか？
• RQ4 複数のアトラクターの統合は、マルチタスクゲノム解析における分類性能をどのように向上させるか？

主な発見

• HMACAモデルは、タンパク質コード領域およびプロモーター領域の同定において76%の正確性を達成し、既存手法に比べ4–12%の正確性向上を示した。
• HMACAを用いたタンパク質構造予測は80%の正確性に達し、二次構造分類において優れた性能を示した。
• ハイブリッドマルチアトラクター機構により、多様なゲノム配列において安定的かつ一貫性のある分類結果が得られた。
• 細胞オートマトンフレームワークにおける文脈に敏感な状態遷移を活用することで、プロモーター領域検出における誤検出（偽陽性）が低減された。
• ルールベースでデータに依存しない設計であるため、異なる種のゲノムデータに対して高いロバスト性を示した。
• 遺伝子特徴検出における正確性と再現率の両面で、従来の機械学習およびヒューリスティックベースの手法を上回る性能を示した。