[論文レビュー] SentRNA: Improving computational RNA design by incorporating a prior of human design strategies

Jade Shi, Rhiju Das+1 more|arXiv (Cornell University)|Mar 8, 2018

RNA and protein synthesis mechanisms参考文献 16被引用数 15

ひとこと要約

SentRNAは、EteRNAゲームから収集した人間が設計したRNA配列を用いて、完全結合ニューラルネットワークを訓練することで、計算的RNA設計を改善するディープラーニング手法を提示する。人間の設計戦略を事前知識として組み込むことで、従来の機械学習アルゴリズムでは解けなかった複雑なRNAターゲットにおいても、最先端の性能を達成し、人間の直感が機械学習におけるRNA設計の性能を顕著に向上させられることを示している。

ABSTRACT

Solving the RNA inverse folding problem is a critical prerequisite to RNA design, an emerging field in bioengineering with a broad range of applications from reaction catalysis to cancer therapy. Although significant progress has been made in developing machine-based inverse RNA folding algorithms, current approaches still have difficulty designing sequences for large or complex targets. On the other hand, human players of the online RNA design game EteRNA have consistently shown superior performance in this regard, being able to readily design sequences for targets that are challenging for machine algorithms. Here we present a novel approach to the RNA design problem, SentRNA, a design agent consisting of a fully-connected neural network trained end-to-end using human-designed RNA sequences. We show that through this approach, SentRNA can solve complex targets previously unsolvable by any machine-based approach and achieve state-of-the-art performance on two separate challenging test sets. Our results demonstrate that incorporating human design strategies into a design algorithm can significantly boost machine performance and suggests a new paradigm for machine-based RNA design.

研究の動機と目的

• 機械学習を用いた複雑または大規模なRNA配列の設計という、長年の課題に取り組むこと。
• EteRNAゲームから得た人間が設計したRNA配列を、効果的な設計戦略のソースとして活用すること。
• 人間の直感から学ぶ機械学習モデルを開発し、困難なRNAの逆折りたたみ問題における性能を向上させること。
• 人間の設計事前知識を組み込むことで、現在の最先端手法をはるかに超える計算的RNA設計の性能向上が可能であることを実証すること。

提案手法

• EteRNAオンラインゲームから収集した人間が設計したRNA配列のデータセット上で、完全結合ニューラルネットワークをエンドツーエンドで訓練する。
• 人間の設計パターンから学習することで、RNA二次構造ターゲットから安定で機能的なRNA配列へのマッピングを学習する。
• 配列の安定性とターゲット構造の忠実度を評価する微分可能な損失関数を訓練プロセスで使用する。
• RNA設計をシーケンスから構造への生成問題として扱い、ネットワークが望ましい構造に折りたたむシーケンスを生成するように学習する。
• 従来解けなかったターゲットを含む2つの挑戦的なテストセットでモデルを評価する。
• 明示的なルール設計を一切行わず、データ分布を通じて人間の設計戦略を暗黙的に表現する。

実験結果

リサーチクエスチョン

• RQ1 人間が設計したRNA配列は、RNA設計における機械学習モデルの改善に有効な事前知識として機能するか？
• RQ2 人間の設計に基づいて訓練されたニューラルネットワークは、複雑または大規模なRNAターゲットにおいて、既存の機械ベースのRNA設計アルゴリズムを上回る性能を発揮できるか？
• RQ3 データ駆動型の深層学習モデルに組み込まれた人間の設計戦略は、予測されたRNA配列の安定性と正確性をどの程度向上させるか？
• RQ4 人間の直感を活用するデータ駆動型アプローチは、純粋なアルゴリズム的または物理学ベースのRNA設計手法を凌駆できるか？

主な発見

• SentRNAは、従来のあらゆる機械ベースのアプローチでは解けなかったRNAターゲットに対しても、シーケンスを効果的に設計できた。
• 2つの挑戦的なテストセットにおいて、既存の計算的RNA設計手法を上回る最先端の性能を達成した。
• 人間が設計した配列から学習することで、従来のアルゴリズムでは明示的に記述するのが難しい非自明な設計戦略を捉えられた。
• 人間の設計事前知識を組み込むことで、複雑な二次構造を持つ安定で機能的なRNA配列の生成能力が顕著に向上した。