[논문 리뷰] SVM Model for Identification of human GPCRs

Sonal Shrivastava, Kamal Raj Pardasani외 1명|arXiv (Cornell University)|2010. 02. 21.

Machine Learning in Bioinformatics참고 문헌 8인용 수 3

한 줄 요약

이 연구는 N-말단 영역, 세 extracellular loop, 아미노산 조성 및 물리화학적 성질에서 유래한 서열 특징을 사용하여 인간 G-단백질 결합 수용체(GPCRs)를 식별하는 서포트 벡터 머신(SVM) 기반 모델을 개발한다. 이 모델은 GPCRDB의 비인간 종에 비해 인간 Class A 로도프신 GPCRs의 Level 1 서브패밀리 분류에서 94%의 정확도를 달성한다.

ABSTRACT

G-protein coupled receptors (GPCRs) constitute a broad class of cell-surface receptors in eukaryotes and they possess seven transmembrane a-helical domains. GPCRs are usually classified into several functionally distinct families that play a key role in cellular signalling and regulation of basic physiological processes. We can develop statistical models based on these common features that can be used to classify proteins, to predict new members, and to study the sequence-function relationship of this protein function group. In this study, SVM based classification model has been developed for the identification of human gpcr sequences. Sequences of Level 1 subfamilies of Class A rhodopsin is considered as case study. In the present study, an attempt has been made to classify GPCRs on the basis of species. The present study classifies human gpcr sequences with rest of the species available in GPCRDB. Classification is based on specific information derived from the n-terminal and extracellular loops of the sequences, some physicochemical properties and amino acid composition of corresponding gpcr sequences. Our method classifies Level 1 subfamilies of GPCRs with 94% accuracy.

연구 동기 및 목표

• 서열 유래 특징을 기반으로 인간 GPCRs와 비인간 GPCRs를 구별할 수 있는 계산 모델을 개발하는 것.
• 인간 GPCR 분류에 있어 N-말단 및 외부 세포 외막 영역의 유용성을 조사하는 것.
• 아미노산 조성과 물리화학적 성질이 분류 정확도 향상에 미치는 영향을 탐색하는 것.
• 새로운 인간 GPCRs를 식별하고 그들의 서열-기능 관계를 연구하기 위한 신뢰할 수 있는 통계적 프레임워크를 수립하는 것.

제안 방법

• 연구는 인간 및 비인간 GPCRs에서 추출한 서열 특징을 기반으로 훈련된 서포트 벡터 머신(SVM) 분류기를 사용한다.
• 특징에는 아미노산 조성, 물리화학적 성질(예: 비극성, 극성 등) 및 N-말단과 외부 세포 외막에서 유래한 구조적 모티프가 포함된다.
• 데이터셋은 GPCRDB 데이터베이스에서 확보한 Class A 로도프신 GPCRs의 Level 1 서브패밀리로 구성된다.
• 모델 일반화 능력 향상과 노이즈 감소를 위해 특징 선택 및 정규화가 적용되었다.
• 모델의 안정성을 확보하기 위해 교차 검증 기법을 사용하여 SVM 모델을 훈련하고 검증하였다.
• 분류 성능 평가에는 정확도를 사용하였으며, 주요 지표로 94%의 정확도가 보고되었다.

실험 결과

연구 질문

• RQ1 서열 특징을 기반으로 한 SVM 기반 모델이 인간 GPCRs와 비인간 GPCRs를 효과적으로 구별할 수 있는가?
• RQ2 어느 서열 영역(예: N-말단, 외부 세포 외막)이 분류 정확도에 가장 크게 기여하는가?
• RQ3 아미노산 조성과 물리화학적 성질이 GPCR 서열의 분류 성능에 어떤 영향을 미치는가?
• RQ4 이 모델은 알려진 서브패밀리 패턴을 기반으로 새로운 인간 GPCR 멤버를 얼마나 잘 예측할 수 있는가?
• RQ5 모델은 인간 GPCR 서브패밀리 내의 서열-기능 관계를 신뢰성 있게 포착할 수 있는가?

주요 결과

• SVM 모델은 인간 GPCRs와 비인간 GPCRs를 구별하는 데 94%의 분류 정확도를 달성하였다.
• N-말단 및 외부 세포 외막 영역이 모델의 분류 능력 향상에 크게 기여하였다.
• 아미노산 조성과 물리화학적 성질은 분류 성능 향상에 효과적인 특징로 기능하였다.
• 모델은 높은 정밀도로 Class A 로도프신 GPCRs의 Level 1 서브패밀리를 성공적으로 분류하였다.
• 연구는 기반 서열과 물리화학적 특징을 기반으로 기계학습을 활용하여 인간 GPCRs를 식별하는 것이 가능하다는 것을 입증하였다.
• 결과는 이 모델이 새로운 인간 GPCR 멤버를 예측하고 기능 주석 작업을 지원하기 위해 확장될 수 있음을 시사한다.