[논문 리뷰] Hidden Markov Models for Gene Sequence Classification: Classifying the VSG genes in the Trypanosoma brucei Genome

Andrea Mesa, Sebastián Basterrech외 2명|arXiv (Cornell University)|2015. 07. 31.

Genomics and Phylogenetic Studies참고 문헌 43인용 수 5

한 줄 요약

이 논문은 시퀀스 동일성 대신 통계적 패턴을 활용하여 트리파노소마 브루세이 유전체 내 변형 표면 당단백질(VSG) 유전자를 분류하기 위해 3개 상태를 가진 숨겨진 마르코프 모델(HMM)을 제안한다. 이 모델은 낮은 가짜 양성률을 동반하여 높은 민감도(>90%)를 보이며, 모든 VSG 유전자를 정확히 탐지하며, 2상태 모델보다 뛰어난 성능을 보이며 양방향 DNA 서열에서 뛰어난 안정성을 확보한다.

ABSTRACT

The article presents an application of Hidden Markov Models (HMMs) for pattern recognition on genome sequences. We apply HMM for identifying genes encoding the Variant Surface Glycoprotein (VSG) in the genomes of Trypanosoma brucei (T. brucei) and other African trypanosomes. These are parasitic protozoa causative agents of sleeping sickness and several diseases in domestic and wild animals. These parasites have a peculiar strategy to evade the host's immune system that consists in periodically changing their predominant cellular surface protein (VSG). The motivation for using patterns recognition methods to identify these genes, instead of traditional homology based ones, is that the levels of sequence identity (amino acid and DNA sequence) amongst these genes is often below of what is considered reliable in these methods. Among pattern recognition approaches, HMM are particularly suitable to tackle this problem because they can handle more naturally the determination of gene edges. We evaluate the performance of the model using different number of states in the Markov model, as well as several performance metrics. The model is applied using public genomic data. Our empirical results show that the VSG genes on T. brucei can be safely identified (high sensitivity and low rate of false positives) using HMM.

연구 동기 및 목표

• 낮은 시퀀스 일치도로 인해 기존의 동일성 기반 탐지 방법에서 빠질 수 있는 고도로 변동성이 높은 VSG 유전자를 식별하는 데 도전하는 것.
• 유전자 서열의 통계적 패턴을 인식함으로써 VSG 유전자를 탐지할 수 있는 숨겨진 마르코프 모델(HMM) 기반의 기계학습 접근법을 개발하는 것.
• 기존 방법보다 더 자연스럽게 유전자 양끝을 모델링하여 유전자 경계 탐지 성능을 향상시키는 것.
• 실제 트리파노소마 브루세이 유전체 데이터를 대상으로 상태 수가 다른 HMM의 성능을 평가하는 것.
• 다른 아프리카 트리파노소마 및 특성 미미한 침묵 유전자 집합을 가진 고도로 변동성이 높은 유전자 가족에 적용 가능한 확장 가능한 프레임워크를 제공하는 것.

제안 방법

• 3상태 HMM을 구축하여 유전체 영역을 세 가지 범주로 분류: 전방 방향의 VSG 유전자, 보조 방향의 VSG 유전자, 유전자 간 영역.
• 유전자 서열의 특징적인 패턴을 포착하기 위해 핵산 조성에서 유도된 발산 확률과 상태 간 전이 확률을 사용.
• 공개된 유전체 데이터에서 애너테이션된 VSG 유전자 클러스터를 기반으로 훈련하며, 일반화를 확보하기 위해 세 개의 데이터 분할(A, B, C)에 걸쳐 분할 학습 전략을 적용.
• 표준 평가 지표를 사용하여 모델 성능을 평가: 진짜 양성률(TPR), 양성 예측도(PPV), 탐지되지 않은 VSG 유전자 수(ND-VSG).
• 훈련 데이터의 알려진 VSG 위치와 예측 위치를 비교하여 잘못 분류된 유전자를 식별하기 위한 필터링 방법을 제안.
• 모델을 트리파노소마 브루세이의 시퀀스 9에 적용하며, 애너테이션된 위치와 예측된 위치를 비교하기 위해 Artemis 소프트웨어를 사용해 결과를 시각화.

실험 결과

연구 질문

• RQ1 높은 시퀀스 변동성과 낮은 동일성로 인해 전통적인 동일성 기반 탐지 방법이 실패할 수 있는 트리파노소마 브루세이 유전체 내 VSG 유전자를 숨겨진 마르코프 모델이 효과적으로 분류할 수 있는가?
• RQ2 3상태 HMM이 전방 및 보조 방향 DNA 서열에서 모두 높은 민감도와 낮은 가짜 양성률로 VSG 유전자를 탐지하는 데 2상태 HMM보다 뛰어난가?
• RQ3 VSG 서열 내의 통계적 패턴을 HMM을 사용해 신뢰성 있게 모델링할 수 있으며, 이를 통해 유전자 간 영역 및 비-VSG 단백질 코딩 영역과 구분할 수 있는가?
• RQ4 훈련 데이터의 일부를 기반으로 하여, 다양한 유전체 분할(A, B, C)에 대해 HMM의 일반화 성능은 어느 정도인가?
• RQ5 모델을 비애너테이션된 영역 내 VSG 클러스터 탐지에 확장할 수 있으며, 이를 일반 단백질 코딩 유전자와 구분할 수 있는가?

주요 결과

• 3상태 HMM은 C 분할에서 진짜 양성률(TPR)이 0.9508, B 분할에서 0.9568을 기록하여 VSG 유전자 탐지에 높은 민감도를 보였다.
• C 분할에서 양성 예측도(PPV)가 0.6157로, VSG 예측의 중간에서 높은 정밀도를 입증하였다.
• 모든 전방 및 보조 방향의 VSG 유전자가 테스트 세트에서 정확히 식별되었으며, 모든 분할에서 탐지되지 않은 VSG 유전자 수(ND-VSG)가 0이었다.
• 특히 보조 방향의 유전자 탐지에서 3상태 모델이 2상태 모델보다 뛰어난 성능을 보였다.
• 제안된 필터링 방법은 훈련 데이터의 알려진 VSG 위치를 활용하여 잘못 분류된 유전자를 성공적으로 식별하고 수정하였다.
• 모델은 다양한 유전체 영역에서 뛰어난 안정성을 보이며, 시퀀스 9의 전방 및 보조 방향에서 일관된 탐지 정확도를 유지하였다.