[논문 리뷰] Identification of Protein Coding Regions in Genomic DNA Using Unsupervised FMACA Based Pattern Classifier

Kiran Sree Pokkuluri, Inampudi Ramesh Babu|arXiv (Cornell University)|2014. 01. 25.

Cellular Automata and Applications참고 문헌 16인용 수 21

한 줄 요약

이 논문은 레이블이 없는 학습 데이터를 필요로 하지 않고 다양한 시퀀스 길이에서 높은 정확도와 확장성을 달성하는, 유전자 서열 내 단백질 합성 영역을 식별하기 위한 비지도 Fuzzy Multiple Attractor Cellular Automata (FMACA) 기반 패턴 분류기의 제안한다. FMACA 프레임워크에 새로운 K-Means 유사 알고리즘을 통합함으로써, 높은 분류 정확도를 달성하였으며, 대규모 게놈 데이터셋에서 우수한 성능을 보였다.

ABSTRACT

Genes carry the instructions for making proteins that are found in a cell as a specific sequence of nucleotides that are found in DNA molecules. But, the regions of these genes that code for proteins may occupy only a small region of the sequence. Identifying the coding regions play a vital role in understanding these genes. In this paper we propose a unsupervised Fuzzy Multiple Attractor Cellular Automata (FMCA) based pattern classifier to identify the coding region of a DNA sequence. We propose a distinct K-Means algorithm for designing FMACA classifier which is simple, efficient and produces more accurate classifier than that has previously been obtained for a range of different sequence lengths. Experimental results confirm the scalability of the proposed Unsupervised FCA based classifier to handle large volume of datasets irrespective of the number of classes, tuples and attributes. Good classification accuracy has been established.

연구 동기 및 목표

• 유전자 서열 내에서 작은 크기이거나 비단백질 합성 영역에 둘러싸여 있는 단백질 합성 영역을 식별하는 데 도전하는 것.
• 레이블이 있는 학습 데이터에 의존하지 않는 확장성 있고 비지도 기계 학습 접근 방식을 개발하여 유전자 예측을 수행하는 것.
• 다양한 DNA 서열 길이에서 단백질 합성 영역을 탐지하는 데 있어 분류 정확도와 효율성을 향상시키는 것.
• 복잡한 게놈 패턴에 적응할 수 있는 퍼지 세포 자동기계를 기반으로 강력한 패턴 분류기 설계하기

제안 방법

• 제안된 방법은 DNA 서열 내 단백질 합성 영역을 탐지하기 위해 비지도 Fuzzy Multiple Attractor Cellular Automata (FMACA) 분류기를 활용한다.
• 클러스터 초기화를 최적화하고 수렴성을 향상시키기 위해 FMACA 프레임워크에 새로운 K-Means 기반 알고리즘을 통합한다.
• 분류기는 핵산기반 패턴을 분석하고 단백질 합성 서열에서 일반적인 특성을 띠는 영역을 식별함으로써 게놈 서열을 처리한다.
• 불확실한 서열 패턴을 다루기 위해 퍼지 논리를 활용함으로써 노이즈와 변동성에 대한 강건성을 향상시킨다.
• 생물학적 맥락을 유지하기 위해 사전 변환 없이 원시 DNA 서열에서 직접 특징 추출을 수행한다.
• 알고리즘은 클래스 수, 튜플 수, 속성 수에 관계없이 데이터셋 크기가 증가함에 따라 효율적으로 확장되도록 설계되어 있다.

실험 결과

연구 질문

• RQ1 레이블이 없는 학습 데이터가 필요 없이 비지도 패턴 분류기가 게놈 DNA 내 단백질 합성 영역을 효과적으로 식별할 수 있는가?
• RQ2 K-Means 유사 알고리즘의 통합이 유전자 예측에서 FMACA 기반 분류기의 성능을 어떻게 향상시키는가?
• RQ3 제안된 방법이 다양한 DNA 서열 길이에서 높은 정확도를 유지하는 정도는 어느 정도인가?
• RQ4 대규모 게놈 데이터셋에 적용했을 때 FMACA 기반 분류기는 얼마나 확장 가능한가?

주요 결과

• 제안된 비지도 FMACA 기반 분류기는 게놈 DNA 서열 내 단백질 합성 영역을 식별하는 데 높은 분류 정확도를 달성하였다.
• 이 방법은 다양한 서열 길이 또는 데이터 복잡성에 관계없이 대규모 게놈 데이터를 효과적으로 처리할 수 있는 강력한 확장성을 보였다.
• K-Means 기반 초기화의 통합은 이전 방법 대비 FMACA 분류기의 효율성과 수렴성을 향상시켰다.
• 실험 결과, 다양한 서열 길이와 데이터 크기에서 분류기가 일관된 성능을 유지하는 것으로 확인되었다.