[논문 리뷰] Modeling of microarray data with zippering

J. M. Deutsch, Shoudan Liang외 1명|ArXiv.org|2004. 06. 17.

Gene expression and cancer classification인용 수 9

한 줄 요약

이 논문은 부분적 하이브리드화(지퍼링)와 용액 내 타겟-타겟 상호작용을 고려한 물리적으로 타당한 통계역학 모델을 제안하며, 이는 이전 방법들에 비해 예측 정확도를 크게 향상시킨다. 스택잉 에너지와 완전한 열역학적 처리를 통해 모델은 훈련 데이터에 대해 뛰어난 적합도를 보이며, 특히 저농도 전사체에 대해 뛰어난 예측 성능을 발휘한다.

ABSTRACT

The ability of oligonucleotide microarrays to measure gene expression has been hindered by an imperfect understanding of the relationship between input RNA concentrations and output signals. We argue that this relationship can be understood based on the underlying statistical mechanics of these devices. We present a model that includes the relevant interactions between the molecules. Our model for the first time accounts for partially zippered probe-target hybrids in a physically realistic manner, and also includes target-target binding in solution. Large segments of the target molecules are not bound to the probes, often in an asymmetric pattern, emphasizing the importance of modeling zippering properly. The resultant fit between the model and training data using optimized parameters is excellent, and it also does well at predicting test data.

연구 동기 및 목표

• 부분적 프로브-타겟 하이브리드화(지퍼링)와 타겟-타겟 상호작용을 고려한 물리적으로 현실적인 마이크로어레이 하이브리드화 모델을 개발하는 것.
• 측정된 신호 강도에서 입력 RNA 농도를 예측하는 것을 향상시키며, 특히 저발현 전사체에 대해 성능을 향상시키는 것.
• 기본적인 스택잉 에너지를 바탕으로 부분적 결합 효과를 유도하여 임의의 피팅 파rameter에 대한 의존도를 줄이는 것.
• 독립된 테스트 데이터를 사용하여 모델의 예측 능력을 검증하며, 이는 훈련에서 제외된 전사체를 포함한다.

제안 방법

• 모델는 통계역학을 사용하여 프로브-타겟 하이브리드화를 기술하며, 실험 데이터(스구모토 등)로부터 구한 스택잉 자유 에너지를 주된 물리적 입력으로 사용한다.
• 하이브리드화 과정을 열역학적 평형으로 간주하며, 국소적 스택잉 에너지를 기반으로 각 염기서열이 결합 또는 비결합 상태일 확률을 모델링한다.
• 특이적 결합(프로브-보완 타겟)과 비특이적 결합(프로브-보완이 아닌 타겟)의 기여를 모두 포함하며, 후자는 현상학적으로 다룬다.
• 용액 내 타겟-타겟 상호작용은 RNA-RNA 결합 친화도에 의해 조절되는 효과적 타겟 농도의 감소로 포함된다.
• 전체 2464개 데이터 포인트에 대해 잔차 오차 함수 F 를 최소화하는 방식으로 54개의 파rameter(스택잉 에너지)를 최적화하며, 글로벌 최적화 기법을 사용한다.
• 예측 성능 평가를 위해 특정 전사체를 훈련에서 제외하고, 모델이 그들의 입력 농도를 얼마나 잘 복원하는지 테스트한다.

실험 결과

연구 질문

• RQ1 부분적 지퍼링과 타겟-타겟 상호작용을 포함한 물리적으로 일관된 마이크로어레이 하이브리드화 모델이 기존의 통계모델을 능가할 수 있는가?
• RQ2 스택잉 에너지와 열역학적 안정성이 마이크로어레이 데이터에서 관찰되는 비대칭적이고 비균일한 결합 패턴에 미치는 영향은 무엇인가?
• RQ3 용액 내 타겟-타겟 상호작용이 측정된 신호 강도와 농도 예측 정확도에 어느 정도의 영향을 미치는가?
• RQ4 기본 물리 원리에 기반한 모델은 이전 접근 방식에 비해 임의의 피팅 파rameter의 필요성을 줄일 수 있는가?

주요 결과

• 모델은 훈련 데이터에서 잔차 오차 F = 0.19 를 달성하였으며, 타겟-타겟 상호작용을 생략한 경우(F = 0.27)보다 유의미하게 낮았다.
• 훈련에서 제외된 전사체에 대해 테스트한 결과, 모델은 신호 강도를 높은 정확도로 예측하였으며, 장우 등(2005)의 PDNN 모델보다 형태와 크기 모두에서 뛰어난 성능을 보였다.
• 모델은 그림 3에 나타낸 바와 같이 훈련에서 제외된 세 개의 전사체에 대해 입력 농도를 높은 정밀도로 예측하여 강력한 일반화 능력을 입증하였다.
• 프로브의 길이에 따라 비결합 상태인 염기의 비율은 비대칭적으로 변화하며, 이는 비균일한 지퍼링을 나타내며, 이는 이전 모델이 포착하지 못한 특징이다.
• 최적화 중 프로브 서열을 무작위로 섞었을 경우 F 가 두 배 이상 증가하여, 모델의 성공은 과적합이 아니라 서열 특이적 물리적 효과 때문임을 확인하였다.
• 최적화된 스택잉 에너지는 태그가 없는 분자의 실험 측정값과 같은 주요 순서의 크기를 가지며, 이는 모델의 물리적 일관성을 검증한다.