[論文レビュー] PromID: human promoter prediction by deep learning

Ramzan Umarov, Hiroyuki Kuwahara+3 more|arXiv (Cornell University)|Oct 2, 2018

Genomics and Chromatin Dynamics参考文献 16被引用数 5

ひとこと要約

PromID は、適応的に構築されたネガティブセットを用いてモデル性能を段階的に最適化する深層学習的手法を導入し、誤検出を顕著に低減することで、正確なヒトコアプロモーター予測を実現した。再現率 0.76、精度 0.77、マシューズ相関係数（MCC）0.76 を達成し、同等の再現率レベルで精度（0.48）と MCC（0.60）が低い既存のツール FPROM を上回った。

ABSTRACT

Computational identification of promoters is notoriously difficult as human genes often have unique promoter sequences that provide regulation of transcription and interaction with transcription initiation complex. While there are many attempts to develop computational promoter identification methods, we have no reliable tool to analyze long genomic sequences. In this work we further develop our deep learning approach that was relatively successful to discriminate short promoter and non-promoter sequences. Instead of focusing on the classification accuracy, in this work we predict the exact positions of the TSS inside the genomic sequences testing every possible location. We studied human promoters to find effective regions for discrimination and built corresponding deep learning models. These models use adaptively constructed negative set which iteratively improves the models discriminative ability. The developed promoter identification models significantly outperform the previously developed promoter prediction programs by considerably reducing the number of false positive predictions. The best model we have built has recall 0.76, precision 0.77 and MCC 0.76, while the next best tool FPROM achieved precision 0.48 and MCC 0.60 for the recall of 0.75. Our method is available at http://www.cbrc.kaust.edu.sa/PromID/.

研究の動機と目的

• 長大ゲノム配列におけるプロモーター予測の高誤検出率という課題に対処し、既存ツールがゲノムスケール研究での有用性を制限されている状況を改善すること。
• バイナリーモデル（プロモーター／非プロモーター分類）に依存するのではなく、正確な TSS 位置を予測することで、転写開始部位（TSS）の局在化精度を向上させること。
• 既知のコアプロモーター要素に関する事前仮定を一切用いずに、データから直接配列パターンを学習するモデルを開発し、未知の調節モチーフの同定を可能とすること。
• 誤分類されたインスタンスに注目し、適応的ネガティブセット構築により段階的にモデル性能を改善することで、識別能を高めること。
• 長大ゲノム配列におけるヒトプロモーターの特定に信頼性がありスケーラブルなツールを提供し、機能ゲノム研究や疾患研究を支援すること。

提案手法

• 高スループットシーケンシングデータから得られた、実験的に検証済みのヒトコアプロモーター（TSSが明示されたもの）を用いて畳み込みニューラルネットワーク（CNN）を学習した。
• 誤分類された配列に再重み付けを施し、再学習を行う反復的トレーニング戦略を採用し、真のプロモーターと誤検出（偽陽性）の識別能を向上させた。
• 適応的ネガティブセット構築を実施し、前回の反復におけるモデルの信頼度に基づいてネガティブ例（非プロモーター）を選択することで、識別が困難なケースに焦点を当てた。
• TSS から -200 bp から +400 bp の領域から特徴を抽出し、予測性能を最大化するための最適な入力ウィンドウを設定した。
• 特徴の感受性解析を実施し、モデル予測に最も影響を与えるヌクレオチド位置を同定し、重要なモチーフや保存領域を特定した。
• 配列ロゴと感受性マップを生成し、プロモーター認識において特に重要であるとされるヌクレオチドやモチーフ（例：イニシエーター領域、GC豊富領域）の重要性を可視化した。

実験結果

リサーチクエスチョン

• RQ1 ゲノム配列を学習データとして用いた深層学習モデルは、ヒトプロモーターにおける転写開始部位（TSS）の正確な位置を予測できるか？
• RQ2 動的に更新されるネガティブセットを用いた反復的モデル最適化は、長大ゲノム配列におけるプロモーター予測の精度をどのように向上させるか？
• RQ3 TATA ボックスなどの既知の要素が存在しない状況においても、ヒトコアプロモーター活性を最も効果的に予測する配列特徴やモチーフは何か？
• RQ4 TATA ボックスを有するプロモーターと持たないプロモーターとの間で、モデルの性能にどのような差が生じるか。特に、後者の予測誤差が増加する理由は何か？
• RQ5 感受性解析により、既知のプロモーター構造や機能的要素と整合する生物学的に意味のある配列パターンが同定可能か？

主な発見

• PromID は再現率 0.76、精度 0.77、マシューズ相関係数（MCC）0.76 を達成し、同等の再現率レベルで精度（0.48）と MCC（0.60）が低い既存ツール FPROM を顕著に上回った。
• 特にゲノムスケール解析において、誤検出の低減が顕著に進み、従来ツールが過剰な誤予測を生じるという問題を効果的に是正した。
• モデルが同定した最重要モチーフである CCCAGGACCATGTCT、GCTAGGTTGTTATGT、GTTCCCGGCCGGTGC には、真核生物プロモーターに特徴的な GC 豊富配列が含まれており、生物学的意義を有する。
• 特徴感受性解析により、TSS（+1）位置のヌクレオチド、特に A と G がモデルスコアに最も大きな影響を与えることが判明し、イニシエーターを有するプロモーターでは A が最も頻出していた。
• -30 bp から -23 bp の領域において、G や C への置換が強い負の影響を示し、TATA ボックス様配列に機能的感受性があることが示された。
• TSS から -100 bp 未満の領域では C が最も好まれる傾向を示し、+300 bp 以降の領域では G が最も強い影響を持つことが判明し、文脈依存的な調節シグナルが存在することが示唆された。