[논문 리뷰] A Generic Implementation of the Pruned Dynamic Programing Algorithm

Alice Cleynen, Michel Koskas외 1명|arXiv (Cornell University)|2012. 04. 25.

Genomics and Phylogenetic Studies참고 문헌 6인용 수 4

한 줄 요약

이 논문은 RNA-Seq 데이터 분할을 위해 음이 이항분포 모델에 적응한 일반적인 R 구현을 제시한다. 분산을 추정하고 오ракulum 페널티를 사용함으로써, 근사 선형 복잡도를 가지며 유전자 경계를 정확하게 식별한다. 실제 RNA-Seq 데이터에서 뛰어난 성능을 보여준다.

ABSTRACT

Genome annotation is an important issue in biology which has long been addressed with gene prediction methods and manual experiments requiring biological expertise. The expanding Next Generation Sequencing technologies and their enhanced precision allow a new approach to the domain: the segmentation of RNA-Seq data to determine gene boundaries. Because of its almost linear complexity, we propose to use the Pruned Dynamic Programming Algorithm, which performances had been acknowledged for CGH arrays, for Seq-experiment outputs. This requires the adaptation of the algorithm to the negative binomial distribution with which we model the data. We show that if the dispersion in the signal is known, the PDP algorithm can be used and we provide an estimator for this dispersion. We then propose to estimate the number of segments, which can be associated to coding or non-coding regions of the genome, using an oracle penalty. We illustrate the results of our approach on a real data-set and show its good performance. Our algorithm is available as an R package on the CRAN repository.

연구 동기 및 목표

• 효율적인 계산 방법을 사용하여 RNA-Seq 데이터에서 유전자 경계 탐지 문제를 해결하는 것.
• 이전에 CGH 배열에 사용된 바이어블 동적 프로그래밍(PDP) 알고리즘을 과분산된 카운트 데이터를 가진 RNA-Seq 데이터에 적응시키는 것.
• 생물학적 변동성을 고려하여 RNA-Seq 리드 카운트를 음이 이항분포로 모델링하는 것.
• 음이 이항분포 모델 하에서 정확한 분할을 위해 필요한 분산 매개변수를 추정하는 것.
• 오라클 페널티를 사용하여 번역 영역과 비번역 영역에 해당하는 세그먼트 수의 최적값을 결정하는 것.

제안 방법

• 리드 카운트를 음이 이항분포로 모델링함으로써 PDP 알고리즘을 RNA-Seq 데이터에 적응시킴.
• 음이 이항분포 모델의 분산 매개변수를 추정하는 추정기 추론함으로써 정확한 신호 표현을 가능하게 함.
• 알려진 분산 하에서 PDP 알고리즘을 적용하여 근사 선형 시간 복잡도의 분할을 달성함.
• 오라클 페널티를 사용하여 세그먼트 수를 추정하고, 세그먼트 수를 생물학적 영역(번역 대비 비번역 영역)과 연결함.
• CRAN에 공개된 R 패키지로 전체 파이프라인을 구현하여 재현 가능하고 접근성이 높은 사용을 가능하게 함.

실험 결과

연구 질문

• RQ1 과분산된 카운트를 가진 RNA-Seq 데이터에 대해 PDP 알고리즘이 효과적으로 적응될 수 있는가?
• RQ2 음이 이항분포를 사용하여 RNA-Seq 신호를 모델링하면서도 PDP의 효율성을 유지할 수 있는가?
• RQ3 음이 이항분포 모델 하에서 신뢰할 수 있는 분할을 가능하게 하는 분산 추정기는 무엇인가?
• RQ4 오라클 페널티는 생물학적으로 의미 있는 영역에 해당하는 세그먼트 수를 정확하게 추정할 수 있는가?
• RQ5 실제 데이터에서 기존 방법과 비교해 본 결과, 제안된 방법의 정확도와 계산 효율성은 어떠한가?

주요 결과

• 분산을 추정한 음이 이항분포 모델에 적응한 PDP 알고리즘은 대규모 RNA-Seq 데이터에 적합한 근사 선형 시간 복잡도를 달성한다.
• 제안된 분산 추정기는 RNA-Seq 리드 카운트의 생물학적 변동성을 신뢰할 수 있게 모델링한다.
• 오라클 페널티의 사용은 세그먼트 수를 정확하게 추정하며, 기대되는 번역 영역과 비번역 영역와 일치시킨다.
• 제안된 방법은 실제 RNA-Seq 데이터셋에서 뛰어난 성능을 보이며, 유전자 경계를 정확히 식별한다.
• 전체 구현은 CRAN에 공개된 R 패키지로 제공되어 광범위한 접근성과 재현 가능성을 확보한다.