[논문 리뷰] Prediction of Prokaryotic and Eukaryotic Promoters Using Convolutional Deep Learning Neural Networks

Victor Solovyev, Ramzan Umarov|arXiv (Cornell University)|2016. 10. 01.

Machine Learning in Bioinformatics참고 문헌 29인용 수 5

한 줄 요약

이 논문은 다양한 생물에서 고도의 정확도를 달성하는 딥러닝 접근법을 제안하며, 특정 프로모터 모티프에 대한 사전 지식 없이 원핵생물 및 진핵생물의 프로모터를 예측한다. 이 방법은 엔드 투 엔드 시퀀스 패턴 학습을 통해 상태의 기술 수준을 초월하며, 인간, 아라비스포스타, E. coli, B. subtilis 프로모터에서 F1-스코어가 0.90을 초과하고 AUC 값이 0.90 이상을 기록하여 기존 도구를 능가한다.

ABSTRACT

Accurate computational identification of promoters remains a challenge as these key DNA regulatory regions have variable structures composed of functional motifs that provide gene specific initiation of transcription. In this paper we utilize Convolutional Neural Networks (CNN) to analyze sequence characteristics of prokaryotic and eukaryotic promoters and build their predictive models. We trained the same CNN architecture on promoters of four very distant organisms: human, plant (Arabidopsis), and two bacteria (Escherichia coli and Mycoplasma pneumonia). We found that CNN trained on sigma70 subclass of Escherichia coli promoter gives an excellent classification of promoters and non-promoter sequences (Sn=0.90, Sp=0.96, CC=0.84). The Bacillus subtilis promoters identification CNN model achieves Sn=0.91, Sp=0.95, and CC=0.86. For human and Arabidopsis promoters we employ CNNs for identification of two well-known promoter classes (TATA and non-TATA promoters). CNNs models nicely recognize these complex functional regions. For human Sn/Sp/CC accuracy of prediction reached 0.95/0.98/0,90 on TATA and 0.90/0.98/0.89 for non-TATA promoter sequences, respectively. For Arabidopsis we observed Sn/Sp/CC 0.95/0.97/0.91 (TATA) and 0.94/0.94/0.86 (non-TATA) promoters. Thus, the developed CNN models (implemented in CNNProm program) demonstrated the ability of deep learning with grasping complex promoter sequence characteristics and achieve significantly higher accuracy compared to the previously developed promoter prediction programs. As the suggested approach does not require knowledge of any specific promoter features, it can be easily extended to identify promoters and other complex functional regions in sequences of many other and especially newly sequenced genomes. The CNNProm program is available to run at web server http://www.softberry.com.

연구 동기 및 목표

• 다양한 게놈에서 프로모터를 식별하기 위한 유니버설하고 특징에 의존하지 않는 방법을 개발하기 위해.
• 사전 정의된 시퀀스 모티프에 의존하는 전통적 프로모터 예측 도구의 한계를 극복하기 위해.
• 인간, 아라비스포스타, E. coli, Mycoplasma pneumoniae를 포함한 진화적으로 거리가 먼 생물에서 동일한 CNN 아키텍처의 성능을 평가하기 위해.
• 진핵생물에서 TATA-포함 및 비-TATA 프로모터를 높은 정밀도로 구분하기 위해.
• 새로 시퀀싱된 게놈에서 프로모터 예측을 위한 확장 가능하고 공개 접근이 가능한 도구(CNNProm)를 만들기 위해.

제안 방법

• 공통된 CNN 아키텍처가 인간, 아라비스포스타, E. coli (sigma70 하위군), Mycoplasma pneumoniae의 프로모터 시퀀스에서 훈련되었다.
• 모델은 DNA 시퀀스에서 국소적 시퀀스 패턴을 자동으로 학습하고, 계층적 특징을 추출하기 위해 컨볼루션 층과 풀링 층을 사용한다.
• 수동적인 특징 공학 없이 원시 뉴클레오티드 시퀀스에서 훈련되어 프로모터 영역 내 복잡한 비선형 관계를 포착한다.
• 진핵생물의 경우 TATA-포함 및 비-TATA 프로모터를 시퀀스 패턴 기반으로 분류하기 위해 두 개의 별도 모델을 훈련하였다.
• 감도(Sn), 특이도(Sp), 요던 지수(CC)를 사용하여 성능을 평가하였으며, 독립적인 테스트 세트에서 교차 검증을 실시하였다.
• CNNProm 웹 서버는 사용자가 제공한 게놈 시퀀스에서 실시간으로 예측을 수행할 수 있도록 한다.

실험 결과

연구 질문

• RQ1 일관된 딥러닝 아키텍처가 진화적으로 거리가 먼 종들 사이에서 프로모터를 정확하게 식별할 수 있는가?
• RQ2 프로모터 예측에서 CNN 기반 모델의 성능이 전통적인 모티프 기반 방법과 비교해 어떻게 되는가?
• RQ3 동일한 CNN 아키텍처가 진핵생물에서 TATA 및 비-TATA 프로모터 유형을 식별할 수 있는가?
• RQ4 프로모터 기능에 대한 사전 지식 없이, 새로운 미사용 게놈으로 일반화할 수 있는 정도는 어느 정도인가?
• RQ5 기존 전사 인자 결합 부위나 보존된 모티프에 의존하는 방법보다 원시 DNA 시퀀스에서 엔드 투 엔드 학습이 더 우수한 성능을 내는가?

주요 결과

• E. coli sigma70 프로모터에서 훈련된 CNN 모델은 90% 감도, 96% 특이도, 84% 요던 지수(CC)를 기록하여 강력한 일반화 능력을 보였다.
• B. subtilis 프로모터에서 모델은 91% 감도, 95% 특이도, 86% 요던 지수를 기록하여 다종 간 성능이 뛰어나다는 것을 입증했다.
• 인간 TATA-박스 프로모터에서 모델은 95% 감도, 98% 특이도, 90% 요던 지수를 달성하여 이전 방법을 능가했다.
• 인간 비-TATA 프로모터에서 모델은 90% 감도, 98% 특이도, 89% 요던 지수를 기록하여 복잡한 영역에서도 높은 정밀도를 보였다.
• 아라비스포스타에서 TATA 프로모터의 경우 95% 감도와 97% 특이도를 기록했고, 비-TATA 프로모터의 경우 94% 감도와 94% 특이도를 기록했으며, 요던 지수는 각각 91%와 86%였다.
• CNNProm 웹 서버는 프로모터 기능에 대한 사전 생물학적 지식 없이도 다양한 게놈과 새로 시퀀싱된 게놈에서 정확하고 확장 가능한 프로모터 예측을 가능하게 한다.