[논문 리뷰] Characterising the D2 statistic: word matches in biological sequences

Sylvain Forêt, Susan R. Wilson외 1명|ArXiv.org|2009. 09. 08.

RNA and protein synthesis mechanisms참고 문헌 24인용 수 6

한 줄 요약

이 논문은 생물학적 서열에서의 근사 단어 매칭을 측정하는 D₂ 통계량에 대해 균일 및 비균일 문자 분포 하에서 정확한 분산 계산과 정확한 분포 근사치를 제공한다. t ≥ 0인 불일치를 포함한 이론적 특성화를 확장함으로써, D₂의 정확한 통계적 활용이 가능해져, 정렬 없이 서열 비교, 데이터베이스 검색, 그리고 높은 정확도로 옥시-조절 모듈을 식별하는 데 응용된다.

ABSTRACT

Word matches are often used in sequence comparison methods, either as a measure of sequence similarity or in the first search steps of algorithms such as BLAST or BLAT. The D2 statistic is the number of matches of words of k letters between two sequences. Recent advances have been made in the characterisation of this statistic and in the approximation of its distribution. Here, these results are extended to the case of approximate word matches. We compute the exact value of the variance of the D2 statistic for the case of a uniform letter distribution, and introduce a method to provide accurate approximations of the variance in the remaining cases. This enables the distribution of D2 to be approximated for typical situations arising in biological research. We apply these results to the identification of cis-regulatory modules, and show that this method detects such sequences with a high accuracy. The ability to approximate the distribution of D2 for both exact and approximate word matches will enable the use of this statistic in a more precise manner for sequence comparison, database searches, and identification of transcription factor binding sites.

연구 동기 및 목표

• 근사 단어 매칭(최대 t개의 불일치 포함)을 고려한 D₂ 통계량의 이론적 특성화를 확장하기 위해.
• 균일 문자 분포 하에서 D₂의 정확한 분산을 계산하고, 비균일 경우에 대한 정확한 근사치를 제공하기 위해.
• 정렬 없이 서열 비교, 데이터베이스 검색, 조절 요소 탐지에 D₂를 통계적으로 타당하게 적용할 수 있도록 하기 위해.
• 실제 생물학적 서열 데이터를 사용하여 옥시-조절 모듈 탐지에 대한 방법의 성능을 검증하기 위해.

제안 방법

• 근사 단어 매칭의 D₂ 분산 이론 유도를 단순화하기 위해 주기적 경계 조건을 사용한다.
• 겹치는 단어 쌍에 대한 공분산 분해를 적용하며, 상대적 위치에 따라 서로 다른 경우들(Ⅰ–Ⅵ)으로 종속성 이웃 영역을 분할한다.
• 겹치는 문자 쌍의 분리된 부분집합을 활용하여 공동 매칭 확률의 확률적 인수분해를 적용함으로써, 지그재그로 겹치는 구조에서의 독립성을 활용한다.
• 균일 분포에 대해 정확한 분산 공식을 도출하고, 비균일(베르누이 대칭) 분포에 대한 근사치를 개발한다.
• 생물학적으로 관련된 조건 하에서 D₂의 전체 표본 분포를 평균과 분산을 이용해 근사한다.
• 시뮬레이션을 통한 검증과 실제 게놈 서열에서의 옥시-조절 모듈 탐지에의 적용을 통해 방법을 검증한다.

실험 결과

연구 질문

• RQ1 균일 문자 분포 하에서 근사 단어 매칭에 대한 D₂ 통계량의 정확한 분산은 무엇인가?
• RQ2 비균일(예: 베르누이 대칭) 생물학적 서열 모델에서 D₂의 분산과 분포는 어떻게 정확하게 근사할 수 있는가?
• RQ3 D₂의 향상된 통계적 특성화는 옥시-조절 모듈 같은 기능적 비코딩 요소의 탐지에 어떻게 기여하는가?
• RQ4 다양한 단어 크기와 불일치 임계값(t)은 서열 비교에서 D₂의 통계적 검정력에 어떤 영향을 미치는가?
• RQ5 주기적 경계 조건은 선형 서열에 비해 이론적 분산 근사치의 정확도에 어떤 영향을 미치는가?

주요 결과

• 균일 문자 분포 하에서 최대 t개의 불일치를 포함한 근사 단어 매칭에 대해 D₂ 통계량의 정확한 분산이 유도되었다.
• 비균일 분포(베르누이 대칭)의 경우, 사례별 공분산 분해를 기반으로 D₂ 분산의 정확한 근사치가 제공되었다.
• 생물학적으로 일반적인 조건에서 D₂의 분포는 높은 정확도로 근사 가능하며, p-값 추정과 통계적 검정이 가능해졌다.
• 이 방법은 옥시-조절 모듈 탐지에서 높은 정확도를 달성하여, 정밀한 D₂ 통계량의 실용적 유용성을 기능 게놈학에서 입증하였다.
• 겹치는 구성의 대부분에서, 분리된 문자 부분집합에서의 확률적 독립성으로 인해 단어 매칭 지표 간의 공분산이 0임이 입증되어 분산 계산이 단순화되었다.
• 이론적 프레임워크는 D₂를 정렬 없이 서열 분석에서 경험적 임계값에 대한 신뢰할 수 있고 통계적으로 타당한 대안으로 사용할 수 있음을 뒷받침한다.