[논문 리뷰] PromID: human promoter prediction by deep learning

Ramzan Umarov, Hiroyuki Kuwahara외 3명|arXiv (Cornell University)|2018. 10. 02.

Genomics and Chromatin Dynamics참고 문헌 16인용 수 5

한 줄 요약

PromID는 적응적으로 구성된 음성 집합을 사용하여 모델 성능을 반복적으로 개선하는 딥러닝 접근법을 도입하여 인간 핵심 프로모터 예측의 정밀도를 향상시켰다. 이로 인해 거짓 양성률이 크게 감소하였으며, 재현율(recall) 0.76, 정밀도(precision) 0.77, 매튜스 상관계수(MCC) 0.76의 성능을 달성하였다. 이는 이전의 도구인 FPROM보다 뛰어나며, 유사한 재현율 수준에서 정밀도(0.48)와 MCC(0.60)가 낮은 점을 고려할 때 뚜렷한 승리이다.

ABSTRACT

Computational identification of promoters is notoriously difficult as human genes often have unique promoter sequences that provide regulation of transcription and interaction with transcription initiation complex. While there are many attempts to develop computational promoter identification methods, we have no reliable tool to analyze long genomic sequences. In this work we further develop our deep learning approach that was relatively successful to discriminate short promoter and non-promoter sequences. Instead of focusing on the classification accuracy, in this work we predict the exact positions of the TSS inside the genomic sequences testing every possible location. We studied human promoters to find effective regions for discrimination and built corresponding deep learning models. These models use adaptively constructed negative set which iteratively improves the models discriminative ability. The developed promoter identification models significantly outperform the previously developed promoter prediction programs by considerably reducing the number of false positive predictions. The best model we have built has recall 0.76, precision 0.77 and MCC 0.76, while the next best tool FPROM achieved precision 0.48 and MCC 0.60 for the recall of 0.75. Our method is available at http://www.cbrc.kaust.edu.sa/PromID/.

연구 동기 및 목표

• 장유전자 서열에서의 높은 거짓 양성률 문제를 해결하여 기존 도구가 게놈 규모 연구에서의 활용도를 제한하는 데 초점을 맞춘다.
• 이진 프로모터/비프로모터 분류에 의존하는 것 대신 정확한 전사 시작 부위(TSS) 위치를 예측하여 전사 시작 부위(TSS) 국소화의 정확도를 향상시키는 것.
• 기존의 핵심 프로모터 요소에 대한 사전 가정 없이 데이터에서 직접 시퀀스 패턴을 학습하는 모델을 개발하여 새로운 조절 모티프의 발견을 가능하게 하는 것.
• 모델의 잘못 분류된 인스턴스에 집중하여 적응적인 음성 집합 구성 방식을 통해 반복적으로 모델 성능을 개선함으로써 분류 능력을 향상시키는 것.
• 장유전자 서열에서 인간 프로모터를 신뢰할 수 있고 확장 가능한 도구를 제공하여 기능 게놈학 및 질병 연구를 지원하는 것.

제안 방법

• 고속 시퀀싱 데이터에서 실험적으로 검증된 인간 핵심 프로모터와 알려진 TSS를 기반으로 컨volutional 신경망(CNN)을 훈련시켰다.
• 잘못 분류된 서열을 동적으로 재가중하고 재훈련하여 진짜 프로모터와 거짓 양성 간의 구분 능력을 향상시키는 반복적 훈련 전략을 적용하였다.
• 적응적인 음성 집합 구성 방식을 사용하여, 이전 반복에서 모델의 신뢰도에 기반해 어려운 분류 사례에 집중할 수 있도록 음성 예시(비프로모터)를 선택하였다.
• TSS에서 -200 bp부터 +400 bp까지의 영역에서 시퀀스 특징을 추출하여 최대 예측 성능를 확보하기 위해 입력 윈도우를 최적화하였다.
• 특징 중요도 분석을 통해 모델 예측에 가장 큰 영향을 미치는 염기 서열 위치를 특정하였으며, 핵심 모티프와 보존된 영역을 규명하였다.
• 시퀀스 로고와 중요도 맵을 생성하여 특정 염기서열 및 모티프(예: 이니시에이터 영역, GC 농축 염기 서열)가 프로모터 식별에 얼마나 중요한지를 시각화하였다.

실험 결과

연구 질문

• RQ1 유전자 서열에서 훈련된 딥러닝 모델이 인간 프로모터의 정확한 전사 시작 부위(TSS) 위치를 정확히 예측할 수 있는가?
• RQ2 동적으로 업데이트된 음성 집합을 사용한 반복적 모델 개선 전략은 장유전자 서열에서의 프로모터 예측 정밀도를 어떻게 향상시킬 수 있는가?
• RQ3 특히 TATA 박스와 같은 알려진 요소가 없는 상황에서 인간 핵심 프로모터 활성도를 가장 잘 예측하는 시퀀스 특징과 모티프는 무엇인가?
• RQ4 TATA 박스를 포함하는 프로모터와 포함하지 않는 프로모터 간에 모델의 성능에 어떤 차이가 있으며, 왜 후자의 경우 오류가 증가하는가?
• RQ5 중요도 분석을 통해 생물학적으로 의미 있는 시퀀스 패턴을 드러낼 수 있으며, 이는 기존의 프로모터 구조 및 기능적 요소와 일치하는가?

주요 결과

• PromID는 재현율 0.76, 정밀도 0.77, 매튜스 상관계수(MCC) 0.76의 성능을 기록하였으며, 유사한 재현율 수준에서 정밀도(0.48)와 MCC(0.60)가 낮은 다음으로 우수한 도구인 FPROM을 뛰어넘었다.
• 특히 게놈 규모 분석에서 이전 도구가 과도한 거짓 예측을 유발하는 데 비해, 거짓 양성률 감소 측면에서 뛰어난 성능을 보였다.
• 모델이 규명한 가장 중요한 모티프인 CCCAGGACCATGTCT, GCTAGGTTGTTATGT, 그리고 GTTCCCGGCCGGTGC는 이들이 유전자형 프로모터의 특징으로 알려진 GC 농축 서열을 포함하고 있음을 확인하였다.
• 특징 중요도 분석 결과, TSS(+1) 위치의 염기, 특히 A와 G가 모델 점수에 가장 큰 영향을 미쳤으며, A는 이니시에이터를 포함하는 프로모터에서 가장 빈도가 높았다.
• -30 bp에서 -23 bp 영역에서 G 또는 C로 치환할 경우 강한 부정적 영향을 미치는 것으로 나타나, TATA 박스 유사 서열에 기능적으로 민감한 것으로 나타났다.
• TSS 이전 -100 bp 이전 영역에서는 C가 가장 선호되며, +300 bp 이후 영역에서는 G가 가장 강한 영향을 미치는 것으로 나타나, 환경 의존적 조절 신호가 존재하는 것으로 추론되었다.