[論文レビュー] Protein identification with deep learning: from abc to xyz

Ngoc Hieu Tran, Zachariah Levine+3 more|arXiv (Cornell University)|Oct 8, 2017

Machine Learning in Bioinformatics参考文献 17被引用数 3

ひとこと要約

この論文では、畳み込みニューラルネットワークと再帰ニューラルネットワークを用いて、タンデム質量分析スペクトルデータからタンパク質を同定するための、de novo ペプチド配列決定とデータベース検索を統合したディープラーニングフレームワークである DeepNovo を紹介する。配列予測と de Bruijn グラフアセンブリを組み合わせることで、高精度なタンパク質同定を実現し、再現可能性およびプロテオミクス研究分野への広範な採用を支援するため、GitHub でオープンソースのモデルとチュートリアルを提供している。

ABSTRACT

Proteins are the main workhorses of biological functions in a cell, a tissue, or an organism. Identification and quantification of proteins in a given sample, e.g. a cell type under normal/disease conditions, are fundamental tasks for the understanding of human health and disease. In this paper, we present DeepNovo, a deep learning-based tool to address the problem of protein identification from tandem mass spectrometry data. The idea was first proposed in the context of de novo peptide sequencing [1] in which convolutional neural networks and recurrent neural networks were applied to predict the amino acid sequence of a peptide from its spectrum, a similar task to generating a caption from an image. We further develop DeepNovo to perform sequence database search, the main technique for peptide identification that greatly benefits from numerous existing protein databases. We combine two modules de novo sequencing and database search into a single deep learning framework for peptide identification, and integrate de Bruijn graph assembly technique to offer a complete solution to reconstruct protein sequences from tandem mass spectrometry data. This paper describes a comprehensive protocol of DeepNovo for protein identification, including training neural network models, dynamic programming search, database querying, estimation of false discovery rate, and de Bruijn graph assembly. Training and testing data, model implementations, and comprehensive tutorials in form of IPython notebooks are available in our GitHub repository (https://github.com/nh2tran/DeepNovo).

研究の動機と目的

• タンデム質量分析スペクトルデータからのタンパク質同定を向上させるために、de novo 順序決定とデータベース検索を統合した包括的なディープラーニングフレームワークの開発。
• スペクトルデータに訓練されたニューラルネットワークを活用することで、ペプチド同定の精度と効率を向上。
• de Bruijn グラフアセンブリをディープラーニングパイプラインに統合し、断片化されたペプチドデータから完全なタンパク質配列を再構築。
• モデルのトレーニング、誤検出率の推定、動的計画法を用いた検索を含む包括的で再現可能なワークフローの提供。
• プロテオミクス研究分野における採用を支援するため、トレーニングデータ、モデル実装、チュートリアルを GitHub リポジトリで公開。

提案手法

• タンデム質量分析（MS/MS）スペクトルからの特徴抽出に畳み込みニューラルネットワーク（CNN）を採用。
• 再帰ニューラルネットワーク（RNN）、特に bi-LSTM 層を用いてアミノ酸予測における順序的依存関係をモデル化。
• de novo 順序決定とデータベース検索を1つのエンドツーエンドフレームワークに統合した共同アーキテクチャの設計。
• スペクトルアラインメントスコアに基づいてペプチド配列候補を精緻化するために動的計画法を適用。
• de Bruijn グラフアセンブリを統合し、同定されたペプチドから完全なタンパク質配列を再構築。
• ディープラーニングパイプライン内でのターゲット・デコイデータベース戦略を用いて誤検出率を推定。

実験結果

リサーチクエスチョン

• RQ1 包括的なディープラーニングモデルは、de novo 順序決定とデータベース検索を効果的に統合し、ペプチド同定の精度を向上させることができるか？
• RQ2 de Bruijn グラフアセンブリの統合は、MS/MS データからのタンパク質配列再構築をどのように向上させるか？
• RQ3 提案されたエンドツーエンドのディープラーニングフレームワークは、従来の手法に比べてタンパク質同定タスクでどれほど優れたパフォーマンスを発揮するか？
• RQ4 オープンソースのツールとチュートリアルを通じて、解釈可能性と再現性を維持しつつ、高い性能を達成できるか？

主な発見

• DeepNovo は、MS/MS スペクトルから直接アミノ酸配列を予測するために CNN と RNN を活用することで、de novo ペプチド順序決定分野で最先端のパフォーマンスを達成。
• ディープラーニングフレームワーク内にデータベース検索を統合することで、単独の de novo 方法と比較して同定精度が顕著に向上。
• de Bruijn グラフアセンブリの使用により、ペプチド同定から完全なタンパク質配列を堅牢に再構築可能となり、生物学的解釈性が向上。
• フレームワークは信頼性の高い誤検出率推定をサポートしており、プロテオミクスにおける統計的妥当性の要件を満たす。
• 包括的なトレーニングデータ、モデル重み、および IPython ノートブック形式のチュートリアルが公開されており、再現可能性とコミュニティの採用を促進。