[논문 리뷰] A more appropriate Protein Classification using Data Mining

Muhammad Mahbubur Rahman, Arif Ul Alam외 2명|arXiv (Cornell University)|2010. 11. 30.

Machine Learning in Bioinformatics인용 수 3

한 줄 요약

이 논문은 확률적 유사도 스코어를 사용하여 6개의 핵심 단백질 속성—구조, 서열, 연결성, 클러스터 인덱스, 상호작용성 및 분류학적 다양성—을 통합하여 계층적 트리 모델을 구축하는 새로운 데이터 마이닝 접근법을 제안한다. PSIMAP와 달리 스케일프리 단백질을 분류하지 못하지만, 이 방법은 집계된 확률적 값으로 유도된 결합 인자(bond factor)를 계산하여 스케일프리 위상 구조를 가진 단백질을 포함한 모든 단백질을 성공적으로 그룹화하며, 최악의 경우 O(n) 시간 복잡도를 달성한다.

ABSTRACT

Research in bioinformatics is a complex phenomenon as it overlaps two knowledge domains, namely, biological and computer sciences. This paper has tried to introduce an efficient data mining approach for classifying proteins into some useful groups by representing them in hierarchy tree structure. There are several techniques used to classify proteins but most of them had few drawbacks on their grouping. Among them the most efficient grouping technique is used by PSIMAP. Even though PSIMAP (Protein Structural Interactome Map) technique was successful to incorporate most of the protein but it fails to classify the scale free property proteins. Our technique overcomes this drawback and successfully maps all the protein in different groups, including the scale free property proteins failed to group by PSIMAP. Our approach selects the six major attributes of protein: a) Structure comparison b) Sequence Comparison c) Connectivity d) Cluster Index e) Interactivity f) Taxonomic to group the protein from the databank by generating a hierarchal tree structure. The proposed approach calculates the degree (probability) of similarity of each protein newly entered in the system against of existing proteins in the system by using probability theorem on each six properties of proteins.

연구 동기 및 목표

• 기존의 단백질 분류 기법, 특히 PSIMAP가 스케일프리 단백질을 그룹화하는 데 실패하는 문제를 해결하기 위해.
• 다양한 단백질 속성을 하나의 분류 체계에 통합하는 통합 프레임워크를 개발하기 위해.
• 구조적, 기능적, 진화적 특성을 통합하여 계층적 단백질 그룹화를 향상시키기 위해.
• 최적화된 시간 복잡도를 통해 대규모 단백질 데이터베이스에서의 확장성과 효율성을 확보하기 위해.

제안 방법

• 각 단백질에 대해 구조, 서열, 연결성, 클러스터 인덱스, 상호작용성 및 분류학적 다양성에 기반한 6개의 개별 확률적 스코어를 계산한다.
• 각 확률적 스코어는 시스템 내 기존 단백질과 새로운 단백질 간의 유사도를 측정하는 확률 정리에 기반하여 유도된다.
• 결합 인자(bond factor)는 6개의 개별 확률적 값의 합으로 계산되며, 단백질 간의 총 유사도 강도를 나타낸다.
• 각 신규 단백질의 결합 인자를 루트 단백질과 비교하여 계층적 트리 구조를 재귀적으로 구축한다. 루트 단백질이 없으면 첫 번째 단백질이 루트가 된다.
• 알고리즘은 각 단백질을 확률적 매칭도가 가장 높은 노드에 동적으로 할당하여 트리 내 최적의 위치를 보장한다.
• 시간 복잡도는 최악의 경우 O(n), 최선의 경우 O(l)로 분석되며, 여기서 n은 단백질 수이고 l은 트리의 레벨이다.

실험 결과

연구 질문

• RQ1 기존의 방법들인 PSIMAP가 그룹화하지 못하는 스케일프리 단백질을 효과적으로 분류할 수 있는 데이터 마이닝 접근법이 존재하는가?
• RQ2 구조, 서열, 연결성, 클러스터 인덱스, 상호작용성 및 분류학적 다양성 등의 다수의 단백질 속성을 하나의 분류 프레임워크에 통합하는 방법은 무엇인가?
• RQ3 다양한 속성에 걸쳐 확률적 스코어를 사용하여 단백질 간의 유사도를 계산하는 최적의 방법은 무엇인가?
• RQ4 제안된 알고리즘이 트리 구조 내에서 새로운 단백질을 동적으로 정확하게 배치하는 데 어떻게 기여하는가?
• RQ5 이 알고리즘의 시간 복잡도는 무엇이며, 대규모 단백질 데이터베이스에서 어떻게 확장되는가?

주요 결과

• 제안된 방법은 PSIMAP가 그룹화하지 못하는 스케일프리 위상 구조를 가진 단백질을 포함하여 모든 단백질을 성공적으로 분류한다.
• 6개의 단백질 속성을 하나의 확률적 결합 인자로 통합함으로써 분류 정확도와 강인성을 향상시킨다.
• 알고리즘은 최악의 경우 O(n), 최선의 경우 O(l)의 시간 복잡도를 달성하여 대규모 데이터베이스에 대한 확장성을 입증한다.
• 가짜 데이터를 사용한 시뮬레이션을 통해 알고리즘이 계층 내 가장 가능성 높은 노드에 단백질을 동적으로 할당할 수 있음을 확인했다.
• 스케일프리 단백질을 적절히 분류하지 못하는 PSIMAP의 주요 한계를 해결함으로써 이 방법은 PSIMAP를 능가한다.
• 알고리즘의 성공은 클러스터 인덱스, 연결성 및 상호작용성에 대한 잘 정의된 함수의 가용성에 의존한다. 이러한 특성들은 현재 생물정보학 연구에서 여전히 개발 중이다.