[논문 리뷰] SentRNA: Improving computational RNA design by incorporating a prior of human design strategies

Jade Shi, Rhiju Das외 1명|arXiv (Cornell University)|2018. 03. 08.

RNA and protein synthesis mechanisms참고 문헌 16인용 수 15

한 줄 요약

SentRNA는 EteRNA 게임에서 수집한 인간이 설계한 RNA 서열을 기반으로 완전히 연결된 신경망을 훈련시켜 계산적 RNA 설계를 향상시키는 딥러닝 접근법을 제안한다. 인간의 설계 전략을 사전 지식으로 통합함으로써, 이전에 기계 학습 알고리즘으로는 해결할 수 없었던 복잡한 RNA 타겟에 대해 최신 기술 수준의 성능을 달성하며, 인간의 직관이 기계 학습의 성능 향상에 상당한 기여를 할 수 있음을 보여준다.

ABSTRACT

Solving the RNA inverse folding problem is a critical prerequisite to RNA design, an emerging field in bioengineering with a broad range of applications from reaction catalysis to cancer therapy. Although significant progress has been made in developing machine-based inverse RNA folding algorithms, current approaches still have difficulty designing sequences for large or complex targets. On the other hand, human players of the online RNA design game EteRNA have consistently shown superior performance in this regard, being able to readily design sequences for targets that are challenging for machine algorithms. Here we present a novel approach to the RNA design problem, SentRNA, a design agent consisting of a fully-connected neural network trained end-to-end using human-designed RNA sequences. We show that through this approach, SentRNA can solve complex targets previously unsolvable by any machine-based approach and achieve state-of-the-art performance on two separate challenging test sets. Our results demonstrate that incorporating human design strategies into a design algorithm can significantly boost machine performance and suggests a new paradigm for machine-based RNA design.

연구 동기 및 목표

• 기계 학습을 이용한 복잡하거나 큰 RNA 서열 설계의 지속적인 과제를 해결하기 위해.
• EteRNA 게임에서 얻은 인간이 설계한 RNA 서열을 효과적인 설계 전략의 원천으로 활용하기 위해.
• 인간의 직관에서 학습하는 기계 학습 모델을 개발하여 어려운 RNA 역설계 문제에서 성능을 향상시키기 위해.
• 인간의 설계 사전 지식을 통합함으로써 현재 최신 기술 수준의 방법을 뛰어넘는 계산적 RNA 설계의 향상을 입증하기 위해.

제안 방법

• EteRNA 온라인 게임에서 수집한 인간이 설계한 RNA 서열 데이터셋을 기반으로 종단간(end-to-end)으로 완전히 연결된 신경망을 훈련시킨다.
• 모델은 인간의 설계 패턴을 학습함으로써 RNA 이차 구조 목표에 안정적이고 기능적인 RNA 서열을 매핑하는 방식으로 학습한다.
• 훈련 과정은 서열 안정성과 목표 구조 충실도를 평가하는 미분 가능한 손실 함수를 사용한다.
• 이 접근법은 RNA 설계를 서열에서 구조로의 생성 문제로 간주하며, 네트워크가 원하는 구조로 접히는 서열을 생성하도록 학습한다.
• 모델은 두 가지 도전적인 테스트 세트에서 평가되며, 이는 이전에는 해결이 불가능했던 타겟을 포함한다.
• 인간의 설계 전략은 명시적 규칙 설계 없이 데이터 분포를 통해 암묵적으로 표현된다.

실험 결과

연구 질문

• RQ1 인간이 설계한 RNA 서열은 기계 학습 모델의 RNA 설계 성능 향상에 효과적인 사전 지식이 될 수 있는가?
• RQ2 인간의 설계에 기반한 신경망이 복잡하거나 큰 RNA 타겟에서 기존의 기계 기반 RNA 설계 알고리즘을 능가할 수 있는가?
• RQ3 암묵적으로 딥러닝 모델에 통합된 인간의 설계 전략이 예측된 RNA 서열의 안정성과 정확도에 얼마나 기여하는가?
• RQ4 인간의 직관을 기반으로 한 데이터 기반 접근법이 순수 알고리즘적 또는 물리 기반의 RNA 설계 방법을 뛰어넘을 수 있는가?

주요 결과

• SentRNA는 이전에 어떤 기계 기반 접근법으로도 해결할 수 없었던 RNA 타겟에 대해 서열을 성공적으로 설계하였다.
• 모델은 두 가지 도전적인 테스트 세트에서 기존의 계산적 RNA 설계 방법을 능가하는 최신 기술 수준의 성능을 달성하였다.
• 인간이 설계한 서열에서 학습함으로써 SentRNA는 전통적인 알고리즘에 명시적으로 구현하기 어려운 비트리비얼한 설계 전략을 포착하였다.
• 인간의 설계 사전 지식을 통합함으로써 모델의 복잡한 이차 구조를 가진 안정적이고 기능적인 RNA 서열 생성 능력이 상당히 향상되었다.