[논문 리뷰] Segmenting DNA sequence into `words' based on statistical language model

Wang Liang|arXiv (Cornell University)|2012. 02. 12.

Machine Learning in Bioinformatics인용 수 4

한 줄 요약

이 논문은 DNA 서열을 생물학적으로 의미 있는 '단어'로 분할하기 위한 비지도 n-그램 통계적 언어 모델을 제안하며, 약 1.5674 비트의 언어 엔트로피를 달성한다. 이 방법은 유전체 간 비교를 가능하게 하여, 서로 다른 유전체가 인간 언어들 간의 유사성과 유사한 언어적 유사성을 가질 수 있음을 드러낸다.

ABSTRACT

This paper presents a novel method to segment/decode DNA sequences based on n-gram statistical language model. Firstly, we find the length of most DNA “words” is 12 to 15 bps by analyzing the genomes of 12 model species. The bound of language entropy of DNA sequence is about 1.5674 bits. After building an n-gram biology languages model, we design an unsupervised ‘probability approach to word segmentation’ method to segment the DNA sequences. The benchmark of segmenting method is also proposed. In cross segmenting test, we find different genomes may use the similar language, but belong to different branches, just like the English and French/Latin. We present some possible applications of this method at last.

연구 동기 및 목표

• 12개의 모델 생물의 게놈을 분석하여 DNA '단어'의 최적 길이를 규명하기 위해.
• 통계 모델링을 사용하여 DNA 서열 언어 엔트로피의 하한을 추정하기 위해.
• DNA 서열을 위한 비지도 확률 기반 단어 분할 방법을 개발하기 위해.
• DNA 서열 분할 성능 평가를 위한 벤치마크를 수립하기 위해.
• 인간 언어들 간의 관계(예: 영어와 라틴어)에 유사한 관계를 갖는 유전체 간 언어적 유사성을 탐색하기 위해.

제안 방법

• 12개의 모델 게놈을 분석하여 가장 흔한 DNA '단어' 길이가 12에서 15 염기쌍 사이에 있음을 규명하기 위해.
• DNA 서열의 언어 엔트로피를 계산하여 약 1.5674 비트/염기쌍의 하한을 도출하기 위해.
• DNA를 확률적 언어로 표현하기 위해 n-그램 통계적 언어 모델을 구축하기 위해.
• n-그램 가능도를 사용하여 단어 경계를 식별하는 확률 기반 분할 알고리즘을 적용하기 위해.
• 다양한 유전체 간 분할 정확도를 평가하기 위해 교차 분할 벤치마크를 설계하기 위해.
• 유전체 간 유사성을 언어적 유추를 통해 해석하기 위해, 유전체를 서로 관련된 인간 언어들(예: 프랑스어와 라틴어)과 비교하기 위해.

실험 결과

연구 질문

• RQ1 다양한 모델 생물에서 기저쌍 수준에서 DNA '단어'의 최적 길이는 무엇인가요?
• RQ2 DNA 서열의 언어 엔트로피에 대한 이론적 하한은 무엇인가요?
• RQ3 비지도 n-그램 모델이 생물학적으로 의미 있는 단위로 DNA 서열을 효과적으로 분할할 수 있나요?
• RQ4 다른 유전체가 진화적 분리 상태에 있더라도 언어 패턴을 얼마나 공유합니까?
• RQ5 유전체 간 비교를 위해 DNA 서열 분할을 어떻게 객관적으로 벤치마크화할 수 있나요?

주요 결과

• 12개의 모델 생물에서 가장 흔한 DNA '단어' 길이는 항상 12에서 15 염기쌍 사이에 있다.
• DNA 서열의 언어 엔트로피는 약 1.5674 비트/염기쌍의 하한으로 제한된다.
• 제안된 n-그램 모델은 생물학적 지식 없이도 효과적인 비지도 DNA 서열 분할을 가능하게 한다.
• 다른 진화적 분지에서 유래한 유전체는 프랑스어와 라틴어의 관계와 유사한 언어적 유사성을 보인다.
• 이 방법은 DNA 서열 분할 성능 평가를 위한 재현 가능한 벤치마크를 수립한다.
• 이 접근법은 유전체 서열을 언어적 관점에서 분석할 수 있음을 드러내며, 다양한 종 간 공통된 통계적 패턴이 존재할 수 있음을 시사한다.