[論文レビュー] ProLanGO: Protein Function Prediction Using Neural~Machine Translation Based on a Recurrent Neural Network

Renzhi Cao, Colton Freitas+4 more|arXiv (Cornell University)|Oct 19, 2017

RNA and protein synthesis mechanisms参考文献 41被引用数 15

ひとこと要約

この論文では、新たに定義されたタンパク質配列言語（ProLan）から遺伝子オントロジー言語（GOLan）への翻訳タスクとしてタンパク質機能予測を定式化する、新しいニューラル機械翻訳手法であるProLanGOを紹介する。再帰的ニューラルネットワーク（RNN）を基盤とするNMTモデルを用いて、CAFA 3ベンチマークで競争力ある性能を達成し、生物学的配列機能予測にニューラル機械翻訳を適用する可能性を示した。ベースラインモデルを上回る結果を示し、今後の発展に期待が持てる。

ABSTRACT

With the development of next generation sequencing techniques, it is fast and cheap to determine protein sequences but relatively slow and expensive to extract useful information from protein sequences because of limitations of traditional biological experimental techniques. Protein function prediction has been a long standing challenge to fill the gap between the huge amount of protein sequences and the known function. In this paper, we propose a novel method to convert the protein function problem into a language translation problem by the new proposed protein sequence language "ProLan" to the protein function language "GOLan", and build a neural machine translation model based on recurrent neural networks to translate "ProLan" language to "GOLan" language. We blindly tested our method by attending the latest third Critical Assessment of Function Annotation (CAFA 3) in 2016, and also evaluate the performance of our methods on selected proteins whose function was released after CAFA competition. The good performance on the training and testing datasets demonstrates that our new proposed method is a promising direction for protein function prediction. In summary, we first time propose a method which converts the protein function prediction problem to a language translation problem and applies a neural machine translation model for protein function prediction.

研究の動機と目的

• 利用可能なタンパク質配列の数の増加と、実験的にアノテートされた機能の数の限界との間のギャップを埋めるため。
• 外部データベースや特徴量に依存せずにアミノ酸配列から直接タンパク質機能を予測する新しいディープラーニング手法を開発するため。
• タンパク質機能予測をニューラル機械翻訳問題に再定式化する可能性を検証するため。
• 実世界のベンチマーク、CAFA 3およびコンテスト後データセットを用いて提案手法の性能を評価するため。
• 既存の最先端手法と比較し、改善の余地を特定するため。

提案手法

• 約50万のタンパク質配列にわたるk-mer頻度（k=3〜5）に基づいて、新たなタンパク質配列言語であるProLanを定義し、各k-merをトークンとして符号化する。
• 遺伝子オントロジー（GO）用語は、GOの有向無閉路グラフにおける階層的関係を保持するように、GOLanと呼ばれる言語空間に符号化される。各GO用語は最大4文字で表現される。
• 再帰的ニューラルネットワーク（RNN）に基づくシーケンス・ツー・シーケンスのニューラル機械翻訳モデルを、ProLanシーケンスをGOLan用語に翻訳するように訓練する。
• モデルはアテンション機構を用い、シーケンス長の変動を処理するためのバケット化技術を併用して、タンパク質配列-GO用語ペアのエンドツーエンド学習を実施する。
• 標準NMTに加え、マルチラベル予測タスクにおける性能向上を図る拡張NMTバージョンを組み合わせる。
• 標準的な指標（しきい値ベースおよびtop-n GO類似度）を用いて性能を評価し、SMISS、DeepGO、FANN-GO、およびその他の最先端モデルと比較する。

実験結果

リサーチクエスチョン

• RQ1 タンパク質配列言語と機能用語言語の間で、ニューラル機械翻訳タスクとしてタンパク質機能予測を効果的に再定式化できるか？
• RQ2 従来のマルチラベル分類および確率ベースのモデルと比較して、シーケンス・ツー・シーケンスNMTモデルのタンパク質機能予測における性能はどの程度か？
• RQ3 k-mer頻度とGO用語の符号化が、翻訳ベースの予測において生物学的意味をどの程度保持しているか？
• RQ4 CAFA 3やコンテスト後データセットといった実世界のベンチマークにおいて、ProLanGOの性能は最先端手法と比べてどの程度か？
• RQ5 特にトップGO用語の順序付けに関する限界は何か？

主な発見

• ProLanGOは、CAFA 3テストセットにおいて、標準NMTおよび拡張NMTモデルよりも精度および再現率の両面で優れた性能を示した。
• 特にしきい値が0.10〜0.80の範囲で、DeepGOモデルと同等の性能を示した。
• 0.10以上のしきい値において、FANN-GOがProLanGOを上回ったことから、トップ1のGO用語予測における改善の余地があることが示唆された。
• SMISSモデルのSEQスコアを上回ったことから、ベースライン手法に比べて優位性があることが実証された。
• トップ1のGO用語予測においては性能が低かったが、これはRNN出力に明示的な順序付けがないためであり、今後の用語順序の改善が求められる。
• トップ相同類の手法に匹敵しないものの、本手法は有望な兆しを示しており、今後の改善策（交差検証、より大きなk-merサイズ、生物学的に意味のあるシーケンスセグメンテーションなど）により、精度の向上が期待される。