[論文レビュー] Virus genome sequence classification using features based on nucleotides, words and compression

T. Wang, Mark Herbster+1 more|arXiv (Cornell University)|Sep 11, 2018

Genomics and Phylogenetic Studies参考文献 55被引用数 5

ひとこと要約

本論文は、ヌクレオチド、k-mer、圧縮から導出されるアライメントフリー特徴量を用いて、ウイルスゲノムをICTVの注釈順序に分類する機械学習フレームワークを提案する。SVMと4-merカウントを用いる手法は、平均誤差率0.006にまで低下し、他の特徴量・分類器の組み合わせを著しく上回り、1,834体の未分類ウイルスの注釈順序を正しく予測した。そのうち16/17の予測が、後のRefSeqの更新と一致した。

ABSTRACT

The ICTV develops, refines and maintains a universal virus taxonomy; Order is the highest taxon in the branching hierarchy of recognised viral taxa. Historically, ICTV (sub)committees have classified viruses on the basis of morphological characteristics and various other attributes. Today, virtually all new viral genomes are assembled from metagenomic datasets and are not linked directly to biological agents. Thus, placing a virus into a taxonomic scheme solely from primary genome structure is an increasingly important problem. Various simple descriptive statistics of a viral genome sequence have been used successfully for virus classification. Here, we use the NCBI's viral and viroid reference sequence collection (RefSeq) and a common experimental framework to compare the performance of different genome sequence-derived features and classifiers in the task of assigning a virus to one of seven ICTV Orders. The nucleotide-, word-, and compression-based features we consider include genome length, the k-mer Natural Vector (k = 1, ..., 6) and its derivatives, return time distribution, and general-purpose and DNA-specific compression ratios; the classifiers used are the k-NN and SVM. The combination of genome length and k-NN has the worst, yet still respectable, performance (mean error rate of 0.137); the best performance is achieved using 4-mer counts and SVM (mean error rate of 0.006). We investigate the main causes of misclassification, explore which viruses are more difficult to classify, and use the best performing combination to predict the Orders of 1,834 unclassified viruses. A subsequent version of RefSeq assigned Orders to 17 of these previously unlabelled viruses. Since 16 of our predictions match these assignments, our approach could aid virologists dealing with viruses that are known only from sequence data.

研究の動機と目的

• メタゲノム由来で生物学的文脈のないゲノム配列からのウイルス分類の増加する課題に対処すること。
• アライメントフリー特徴量（ヌクレオチドベース、語ベース（k-mers）、圧縮ベース）がウイルスゲノム分類に与える影響を評価すること。
• ウイルスをICTV注釈順序に割り当てる最適な特徴量と分類器の組み合わせを特定すること。
• 1,834体の未分類ウイルスゲノムのICTV注釈順序を予測し、その後のRefSeqの更新と照合して検証すること。

提案手法

• 本研究では、ウイルスを7つのICTV注釈順序に分類するためのトレーニングおよび評価データセットとして、NCBI RefSeqウイルスおよびビオイドのリファレンスデータセットを用いた。
• 3種類の特徴量を抽出した：ヌクレオチドベース（ゲノム長、k=1〜6のk-merナチュラルベクトル）、語ベース（k-mersのリターン時間分布）、圧縮ベース（汎用的およびDNA特化型の圧縮比）。
• k-NNおよび径数関数カーネルを用いたSVMを分類器として用い、異なる特徴量セットにおける性能を評価した。
• 最も優れた性能を示したモデル（4-merカウントを用いたSVM）を用いて、1,834体の以前未分類であったウイルスゲノムの注釈順序を予測した。
• 10分割交差検証における平均誤差率を用いて性能を評価し、誤分類の分析と可視化により、分類が難しいとされるウイルスを同定した。
• 未ラベルのゲノムと希な生物学的ラベルを統合することで分類性能を向上させるための、今後の拡張としてグラフベースの半教師付き学習フレームワークを提案した。

実験結果

リサーチクエスチョン

• RQ1 どのゲノム由来の特徴量と分類器の組み合わせが、ウイルスゲノムをICTV注釈順序に割り当てる際に最も高い正確性を達成するか？
• RQ2 誤分類の主な原因は何であり、シーケンスのみの特徴量を用いた場合、どのウイルス群が特に分類が難しいか？
• RQ3 本手法は、生物学的特徴が不明でゲノム配列のみが分かっているウイルスのICTV注釈順序をどれほど正確に予測できるか？
• RQ4 モデルの予測は、後のRefSeqデータベースの更新と照合できるか？
• RQ5 未ラベルのゲノムと希な生物学的ラベルを活用することで、グラフベースの半教師付き学習が分類性能を向上させられるか？

主な発見

• 4-merカウントとSVMの組み合わせが、平均誤差率0.006という最高の性能を示し、他のすべての特徴量・分類器の組み合わせを著しく上回った。
• 最も成績が悪かった手法（ゲノム長とk-NN）ですら、平均誤差率0.137を達成しており、単純な特徴量でさえ分類を支援できることを示した。
• 特定のウイルス群、特に未分類または非常に発散したウイルスは、配列の複雑さやリファレンス系統との類似性の低さのため、分類が特に困難であると同定された。
• 最高のモデルを用いて予測した1,834体の未分類ウイルスのうち、16/17が後のRefSeqの更新で同じICTV注釈順序に割り当てられ、モデルの予測力が裏付けられた。
• 結果から、シーケンスベースの分類は、生物学的データが入手できない場合に特に有効で、信頼性がありスケーラブルなウイルス分類手法であることが示唆された。
• 著者らは、未ラベルのゲノムと希な生物学的アノテーションを統合することで、動的でデータ駆動型の分類フレームワークを構築できると提言した。