[논문 리뷰] Biological sequence analysis

Terence P. Speed|ArXiv.org|2003. 04. 24.

Genomics and Phylogenetic StudiesBiochemistry, Genetics and Molecular Biology참고 문헌 5인용 수 17

한 줄 요약

이 논문은 생물학적 서열 분석에서의 확률적 모델링에 대한 종합적인 개요를 제시하며, 숨은 마르코프 모델(HMMs)과 그 발전 과정을 다룹니다. 이는 간단한 정규 표현식에서 시작하여 프로파일 HMMs와 일반화된 HMMs(GHMMs)로 이르기까지 유전자 탐지에 응용된 모델들을 중심으로 다룹니다. 이 모델들은 모티프의 변동성과 게놈의 구조를 효과적으로 포착하여, DNA 서열 내에서 아연 피치 도메인과 같은 기능적 요소를 정확하게 식별하는 데 기여합니다.

ABSTRACT

This talk will review a little over a decade's research on applying certain stochastic models to biological sequence analysis. The models themselves have a longer history, going back over 30 years, although many novel variants have arisen since that time. The function of the models in biological sequence analysis is to summarize the information concerning what is known as a motif or a domain in bioinformatics, and to provide a tool for discovering instances of that motif or domain in a separate sequence segment. We will introduce the motif models in stages, beginning from very simple, non-stochastic versions, progressively becoming more complex, until we reach modern profile HMMs for motifs. A second example will come from gene finding using sequence data from one or two species, where generalized HMMs or generalized pair HMMs have proved to be very effective.

연구 동기 및 목표

• 지난 10년간 생물학적 서열 분석에서의 확률적 모델의 발전과 응용을 검토하는 것.
• 정규 표현식과 같은 결정론적 모델이 서열의 변동성을 포착하는 데 한계가 있으며, 확률적 모델에 비해 열등한 성능을 보이는 이유를 설명하는 것.
• 위치별 잔기 빈도를 고려한 강력한 방법으로 프로파일 HMMs를 소개하는 것.
• 복잡한 게놈 특징인 엑손, 인트론, 독독 프레임을 모델링함으로써 일반화된 HMMs(GHMMs)가 유전자 예측에 어떻게 활용되는지 설명하는 것.
• 비교 게놈학에서 일반화된 쌍 HMMs(GPHMMs)를 통해 진화적 보존성을 통합함으로써 기능적 요소 탐지의 정확도를 향상시킬 수 있음을 강조하는 것.

제안 방법

• 고정된 잔기 패턴과 가변 길이의 스퍼터를 포함한 정규 표현식을 사용하여 결정론적 모티프(예: C2H2 아연 피치 도메인)를 정의합니다.
• 공통 서열을 초월하여 모티프의 변동성을 포착하기 위해 위치별 잔기 빈도를 시각적으로 표현하는 시퀀스 로고를 도입합니다.
• 각 위치에 대한 발산 확률을 할당하여 프로파일 HMMs를 사용해 모티프를 모델링하고, 시퀀스 매칭의 확률적 스코어링을 가능하게 합니다.
• 상태 지속 시간, 독독 프레임, 스트랜드 방향성을 게놈 서열에 통합하여 유전자 구조를 모델링하기 위해 일반화된 HMMs(GHMMs)를 적용합니다.
• 인간과 쥐와 같은 여러 종에서 유사한 서열 간의 정렬과 유전자 탐지를 동시에 모델링하기 위해 일반화된 쌍 HMMs(GPHMMs)를 활용합니다.
• 관측된 서열이 주어졌을 때 가장 가능성이 높은 상태 시퀀스(예: 유전자 애너테이션)를 계산하기 위해 통계적 추론을 사용하며, 비터비 알고리즘과 후행 디코딩을 활용합니다.

실험 결과

연구 질문

• RQ1 정규 표현식과 같은 결정론적 모델은 생물학적 모티프의 자연스러운 서열 변동성을 다루기 위해 어떻게 개선될 수 있는가?
• RQ2 프로파일 HMMs가 공통 서열 기반 또는 정규 표현식 기반 모델에 비해 생물학적으로 관련성이 있는 모티프 탐지에서 얼마나 뛰어난 성능을 보이는가?
• RQ3 HMMs는 어떻게 발현, 인트론, 독독 프레임과 같은 복잡한 게놈 특징을 유전자 예측에 모델링할 수 있는가?
• RQ4 쌍 HMMs를 통한 진화적 보존성 통합이 비교 게놈학에서 유전자 탐지 및 모티프 탐지의 정확도를 향상시킬 수 있는가?
• RQ5 실제로 오류가 포함된 생물학적 서열 데이터에 HMM 기반 모델을 구현하고 校정하는 데 있어 주요 과제는 무엇인가?

주요 결과

• 프로파일 HMMs는 위치별 잔기 빈도를 모델링함으로써 모티프 탐지 성능을 크게 향상시켜, 결정론적 정규 표현식에 비해 거짓 양성과 거짓 음성의 수를 줄입니다.
• 일반화된 HMMs(GHMMs)는 상태 지속 시간, 독독 프레임, 스트랜드 방향성을 통합함으로써 유전자 구조를 효과적으로 모델링하여 게놈 서열 내 정확한 유전자 애너테이션을 가능하게 합니다.
• GPHMMs를 통한 쌍 HMMs와 GHMMs의 통합은 동일한 유사 서열 간의 정렬과 유전자 탐지를 동시에 수행할 수 있게 하여 보존된 기능적 요소 탐지 능력을 향상시킵니다.
• 시퀀스 로고의 사용은 모티프의 변동성을 시각적이고 정량적으로 요약하여 단순한 공통 서열보다 생물학적 관련성을 더 효과적으로 포착합니다.
• Genscan 및 SLAM과 같은 HMM 기반 방법은 유전자 예측 및 비교 분석에서 높은 성능을 보이며, 이러한 모델의 실용성을 입증합니다.
• 성공에도 불구하고 HMM 기반 모델은 모델 설계, 구현, 데이터 校정에 어려움을 겪으며, 생물학자와의 밀접한 협업과 견고한 기준 데이터셋이 필요로 합니다.