[논문 리뷰] A Supervised Machine Learning Approach for Sequence Based Protein-protein Interaction (PPI) Prediction

Soumyadeep Debnath, Ayatullah Faruk Mollah|arXiv (Cornell University)|2022. 03. 23.

Microbial Metabolic Engineering and Bioproduction인용 수 5

한 줄 요약

이 논문은 아미노산 서열만을 사용하여 단백질-단백질 상호작용(PPI)을 예측하기 위한 지도 학습 기반 기계학습 접근법을 제시한다. 이는 2,000개의 양성 상호작용과 2,000개의 음성 상호작용을 포함한 정제된 데이터셋을 기반으로 하며, 독립된 테스트 세트에서 뛰어난 성능을 보이며 SeqPIP2020 경쟁 대회에서 경쟁 기법들을 능가하여 서열 기반 PPI 예측의 강건성과 일반화 능력을 입증한다.

ABSTRACT

Computational protein-protein interaction (PPI) prediction techniques can contribute greatly in reducing time, cost and false-positive interactions compared to experimental approaches. Sequence is one of the key and primary information of proteins that plays a crucial role in PPI prediction. Several machine learning approaches have been applied to exploit the characteristics of PPI datasets. However, these datasets greatly influence the performance of predicting models. So, care should be taken on both dataset curation as well as design of predictive models. Here, we have described our submitted solution with the results of the SeqPIP competition whose objective was to develop comprehensive PPI predictive models from sequence information with high-quality bias-free interaction datasets. A training set of 2000 positive and 2000 negative interactions with sequences was given to us. Our method was evaluated with three independent high-quality interaction test datasets and with other competitors solutions.

연구 동기 및 목표

• 단백질-단백질 상호작용을 예측하기 위해 유일하게 서열 정보를 사용하는 신뢰할 수 있는 지도 학습 기계학습 모델을 개발하는 것.
• 모델 훈련 및 평가 시 고질적이고 편향이 없는 상호작용 데이터셋을 사용하여 데이터셋 편향과 품질 문제를 해결하는 것.
• 철저한 데이터 정제와 모델 설계를 통해 독립된 테스트 세트에서의 일반화 능력과 성능을 향상시키는 것.
• 서열 데이터만을 사용하여 정확한 PPI 예측을 요구하는 SeqPIP2020 경쟁에 효과적으로 대응하는 것.
• 서열 기반 특징을 활용한 시뮬레이션 기반 PPI 예측 분야에 재현 가능하고 고성능의 솔루션을 기여하는 것.

제안 방법

• 모델은 2,000개의 양성 및 2,000개의 음성 PPI 쌍으로 이루어진 균형 잡힌 데이터셋에서 훈련된다. 각 쌍은 아미노산 서열로 정의된다.
• 단백질 서열을 수치적으로 표현하기 위해 기존 생물학적 인코딩 기법(예: one-hot 인코딩 또는 아미노산 조성)을 사용하여 서열 특징을 추출한다.
• 상호작용 유무를 구분하는 패턴을 학습하기 위해 지도 학습 기반 분류기(예: 기울기 부스팅 트리 또는 유사 알고리즘)를 적용한다.
• 모델은 훈련 분포를 초월한 일반화 능력을 확보하기 위해 세 개의 독립적이고 고품질의 테스트 세트에서 평가된다.
• 과적합을 줄이고 성능을 최적화하기 위해 초모수 튜닝 및 교차 검증 기법이 적용된다.
• 해결책은 SeqPIP2020 경쟁에 제출되며, 표준화된 지표를 사용해 다른 참가자의 모델과 비교 평가된다.

실험 결과

연구 질문

• RQ1 지속적인 기계학습 모델이 아미노산 서열 데이터만을 사용하여 높은 정확도로 PPI를 예측할 수 있는가?
• RQ2 훈련에 사용되지 않은 독립적이고 고품질의 테스트 세트에서 모델 성능는 어떻게 변화하는가?
• RQ3 철저한 데이터셋 정제가 PPI 예측 모델의 신뢰성과 일반화 능력에 얼마나 기여하는가?
• RQ4 제안된 방법은 SeqPIP2020 도전 대회에서 다른 경쟁 기법과 비교해 어떻게 성능를 발휘하는가?
• RQ5 저품질 또는 불균형한 훈련 데이터에서 기인하는 편향을 최소화하면서도 서열 기반 모델이 기존 방법들을 능가할 수 있는가?

주요 결과

• 제안된 모델은 SeqPIP2020 평가에서 사용된 세 개의 독립적 테스트 세트에서 모두 뛰어난 성능을 보였다.
• 모델은 과적합 없이 훈련 데이터에 의존하지 않고 서열 패턴을 효과적으로 학습함을 보여주어 강건한 일반화 능력을 입증했다.
• SeqPIP2020 경쟁에서 다른 경쟁 모델들을 능가하여 그 효과성과 신뢰성을 입증했다.
• 고품질의 편향 없는 훈련 데이터셋 사용이 모델의 예측 정확도와 안정성 향상에 크게 기여했다.
• 결과적으로, 정제된 서열 데이터에서의 지도 학습이 높은 정확도의 PPI 예측을 가능하게 하며, 고비용 실험 방법에 대한 의존도를 감소시킬 수 있음을 확인했다.
• 이 방법은 유일하게 기본 서열 정보를 사용하는 시뮬레이션 기반 PPI 예측을 위한 확장 가능하고 재현 가능한 프레임워크를 제공한다.