[논문 리뷰] Seven clusters in genomic triplet distributions

Alexander N. Gorban, Andreï Zinovyev외 1명|PubMed|2003. 05. 29.

Genomics and Phylogenetic Studies참고 문헌 14인용 수 18

한 줄 요약

이 논문은 여러 게놈에서 유전자 서열의 삼중항 빈도 분포에 일관된 일곱 클러스터 구조가 존재함을 슬라이딩 윈도우 분석을 통해 규명한다. 이 클러스터는 세 개의 프레임(앞서 및 뒤집힌 스트랜드)에서의 단백질 코딩 영역과 비코딩 영역에 대응하며, 사전에 알려진 유전자 애너테이션이나 ORF 추출 없이도, 조립되지 않은 게놈에서도 90퍼센트 이상의 염기 수준 정확도로 비지도 유전자 탐지가 가능하다.

ABSTRACT

In several recent papers new gene-detection algorithms were proposed for detecting protein-coding regions without requiring a learning dataset of already known genes. The fact that unsupervised gene-detection is possible is closely connected to the existence of a cluster structure in oligomer frequency distributions. In this paper we study the cluster structure of several genomes in the space of their triplet frequencies, using a pure data exploration strategy. Several complete genomic sequences were analyzed, using the visualization of tables of triplet frequencies in a sliding window. The distribution of 64-dimensional vectors of triplet frequencies displays a well-detectable cluster structure. The structure was found to consist of seven clusters, corresponding to protein-coding information in three possible phases in one of the two complementary strands and in the non-coding regions with high accuracy (higher than 90% on nucleotide level). Visualizing and understanding the structure allows to analyze effectively the performance of different gene-prediction tools. Since the method does not require extraction of ORFs, it can be applied even for unassembled genomes.

연구 동기 및 목표

• 다양한 완전한 게놈에서 유전자 서열의 삼중항 빈도 분포에 내재된 클러스터 구조를 조사하는 것.
• 이러한 클러스터 구조가 기존에 알려진 유전자에 대한 사전 지식 없이도 단백질 코딩 영역을 비지도로 탐지하는 데 사용될 수 있는지 확인하는 것.
• 조립된 또는 조립되지 않은 게놈 서열에서 삼중항 빈도 패턴을 단독으로 사용하여 유전자 예측이 가능한지 평가하는 것.
• 평균장 모델이 관측된 클러스터 구조를 설명하는 데 있어 정보 내용과 타당성을 분석하는 것.

제안 방법

• 모든 가능한 삼중항(삼중항)에 대해 완전한 게놈 서열의 64차원 빈도 벡터를 계산하기 위해 슬라이딩 윈도우 방법을 적용하였다.
• 순수한 데이터 탐색 및 시각화 기법을 사용하여 고차원 공간에서 삼중항 빈도 분포를 매핑하였다.
• 세 개의 앞서 읽기 프레임, 세 개의 뒤집힌 스트랜드 프레임 및 비코딩 영역에 대응하는 안정적인 일곱 클러스터를 식별하고 검증하였다.
• 염기 수준에서 클러스터 할당의 정확도를 평가하여 90퍼센트 이상의 정확도를 달성하였다.
• 삼중항 분포의 정보 내용을 평가하고, 평균장 모델이 관측된 패턴을 일관되게 기술하는지 테스트하였다.
• 재현성 및 추가 분석을 위해 소프트웨어와 데이터셋을 공개하였다.

실험 결과

연구 질문

• RQ1 다양한 게놈에서 삼중항 빈도 공간에 일관된 클러스터 구조가 존재하는가?
• RQ2 이러한 클러스터 구조를 사용하여 기존에 알려진 유전자에 대한 사전 학습 없이도 단백질 코딩 영역을 탐지할 수 있는가?
• RQ3 특히 코딩 영역와 비코딩 영역를 구분할 때, 염기 수준에서 클러스터에 할당하는 정확도는 얼마인가?
• RQ4 세 개의 독독 프레임에서 앞서 스트랜드와 뒤집힌 스트랜드 간의 삼중항 빈도 패턴은 어떻게 다를까?
• RQ5 평균장 모델이 삼중항 빈도의 관측된 분포 패턴을 어느 정도 설명할 수 있는가?

주요 결과

• 여러 분석된 게놈에서 삼중항 빈도 공간에 강력한 일곱 클러스터 구조가 일관되게 관찰되었다.
• 일곱 개의 클러스터는 세 개의 앞서 읽기 프레임, 세 개의 뒤집힌 스트랜드 프레임 및 비코딩 영역에 정확히 대응하며, 염기 수준에서 90퍼센트 이상의 정확도를 보였다.
• 클러스터 구조는 오픈 리딩 프레임(ORF) 추출이나 기존 유전자 지식 없이도 비지도 유전자 탐지가 가능하게 한다.
• 이 방법은 조립되지 않은 게놈에도 적용 가능하여 초안 또는 파편화된 서열 데이터에 적합하다.
• 삼중항 분포의 정보 내용은 게놈 서열에 비랜덤하고 생물학적으로 의미 있는 패턴이 존재함을 지지한다.
• 평균장 모델이 관측된 분포 패턴을 잘 기술하는 것으로 밝혀져, 배경에 숨겨진 통계적 규칙성이 존재함을 시사한다.