[論文レビュー] SBSM-Pro: Support Bio-sequence Machine for Proteins

Yizheng Wang, Yixiao Zhai+2 more|arXiv (Cornell University)|Aug 20, 2023

Machine Learning in Bioinformatics被引用数 28

ひとこと要約

SBSM-Pro は、物理化学的性質でアミノ酸をグルーピングし、複数の類似性カーネルを新しい MKL 法で統合し、10 のデータセットで SVM によるタンパク質分類を行うシーケンスベースのカーネル学習フレームワークを導入します。

ABSTRACT

Proteins play a pivotal role in biological systems. The use of machine learning algorithms for protein classification can assist and even guide biological experiments, offering crucial insights for biotechnological applications. We introduce the Support Bio-Sequence Machine for Proteins (SBSM-Pro), a model purpose-built for the classification of biological sequences. This model starts with raw sequences and groups amino acids based on their physicochemical properties. It incorporates sequence alignment to measure the similarities between proteins and uses a novel multiple kernel learning (MKL) approach to integrate various types of information, utilizing support vector machines for classification prediction. The results indicate that our model demonstrates commendable performance across ten datasets in terms of the identification of protein function and posttranslational modification. This research not only exemplifies state-of-the-art work in protein classification but also paves avenues for new directions in this domain, representing a beneficial endeavor in the development of platforms tailored for the classification of biological sequences. SBSM-Pro is available for access at http://lab.malab.cn/soft/SBSM-Pro/.

研究の動機と目的

• 豊富な配列情報を保持する信頼性の高いタンパク質配列分類ツールの必要性を動機づける。
• アミノ酸アルファベットを縮小しつつ物理化学的意味を保持する新しいフレームワーク（PSD）を提案する。
• レベンシュタイン距離とSmith–Watermanスコアを用いて、複数のタンパク質類似性カーネルを開発・統合する。
• 新しい MKL 法（HCKDM-MKL）を用いてカーネルを結合し、前計算済みカーネルを用いた SVM で分類する。

提案手法

• スペクトルクラスタリングを用いて10個の物理化学的性質に基づきアミノ酸をグルーピングし、辞書を作成することでPSDを定義する。
• 再エンコードされた配列に対して2つのシーケンス類似度指標（Levenshtein距離とSmith–Watermanスコア）を計算する。
• 20個のカーネル（10辞書×2類似度指標）を生成し、提案されたHCKDM-MKLカーネル学習法でそれらを融合する。
• 結合された中心カーネルから導出された前計算カーネルを用いて、タンパク質機能とPTM分類のためのSVMを訓練する。
• 10データセットで既存手法とSBSM-Proを比較し、アブレーション研究を通じて各モジュールの寄与を分析する。

実験結果

リサーチクエスチョン

• RQ1 PSDベースのアミノ酸グルーピングはタンパク質分類のための配列類似度測度を改善するか？
• RQ2 MKLは複数の類似性カーネルを効果的に統合して、単一カーネルより予測精度を高められるか？
• RQ3 PSDでエンコードされた配列のカーネル構築の文脈で、LS距離とSWスコアはどう比較されるか？
• RQ4 提案されたHCKDM-MKLを他のMKL手法と比較した場合の分類性能への影響はどのようか？

主な発見

Dataset	SBSM-Pro ACC	Best Existing ACC
DBP	0.8925	0.753
T3SE	0.8289	0.830
PVP	0.8298	0.798
PTSS	0.9000	0.8563
PSNS	0.7500	0.7317
PLGS	0.8381	0.7207
PCS1	0.8737	0.8443
PCS2	0.8791	0.8679
PCS3	0.8687	0.8423
PCS4	0.8699	0.8617

• SBSM-Proはほとんどのデータセットで既存手法より高いACCを達成する（例: DBP 0.8925 vs 0.753; PTSS 0.9000 vs 0.8563）。
• 10データセットでSBSM-Proは一般に最先端手法を上回り、汎用性と堅牢性の向上を示す。
• アミノ酸のグルーピングとLS距離およびSWスコアを用い、HCKDM-MKLで結合すると、より優れたカーネル融合と予測性能を生み出す。
• MKLベースのカーネル融合は、HSIC-MKL、HKAM-MKL、および単純平均ウェイト付けと比較して、データセット間で平均カーネルウェイトの点で一貫して上回る。