[論文レビュー] A Supervised Machine Learning Approach for Sequence Based Protein-protein Interaction (PPI) Prediction

Soumyadeep Debnath, Ayatullah Faruk Mollah|arXiv (Cornell University)|Mar 23, 2022

Microbial Metabolic Engineering and Bioproduction被引用数 5

ひとこと要約

本論文は、2,000件の陽性相互作用および2,000件の陰性相互作用から構成される洗練されたデータセットを用いて、アミノ酸配列からのみ、蛋白質-蛋白質相互作用（PPI）を予測する教師あり機械学習手法を提示する。この手法は独立したテストセットで優れた性能を示し、SeqPIP2020コンペティションにおいて他の手法を上回り、配列ベースのPPI予測における頑健性と一般化能力を示している。

ABSTRACT

Computational protein-protein interaction (PPI) prediction techniques can contribute greatly in reducing time, cost and false-positive interactions compared to experimental approaches. Sequence is one of the key and primary information of proteins that plays a crucial role in PPI prediction. Several machine learning approaches have been applied to exploit the characteristics of PPI datasets. However, these datasets greatly influence the performance of predicting models. So, care should be taken on both dataset curation as well as design of predictive models. Here, we have described our submitted solution with the results of the SeqPIP competition whose objective was to develop comprehensive PPI predictive models from sequence information with high-quality bias-free interaction datasets. A training set of 2000 positive and 2000 negative interactions with sequences was given to us. Our method was evaluated with three independent high-quality interaction test datasets and with other competitors solutions.

研究の動機と目的

• アミノ酸配列情報のみを用いて、信頼性の高い教師あり機械学習モデルを構築すること。
• モデルの学習および評価に高品質でバイアスのない相互作用データセットを用いることで、データセットバイアスおよび品質の問題に対処すること。
• 慎重なデータセットの洗練とモデル設計を通じて、独立したテストセットにおける一般化および性能を向上させること。
• SeqPIP2020チャレンジに効果的に対応し、配列データのみを用いた正確なPPI予測を実現すること。
• 配列ベースの特徴を用いた、再現可能で高精度なソリューションを、増大するin silico PPI予測分野に貢献すること。

提案手法

• モデルは、2,000件の陽性および2,000件の陰性PPIペアから成るバランスの取れたデータセットで学習される。各ペアはアミノ酸配列によって定義される。
• アミノ酸配列を数値的に表現するために、ワンホットエンコーディングやアミノ酸組成などの確立された生物学的エンコーディング手法を用いて特徴を抽出する。
• 勾配ブースティング木などの同様のアルゴリズムを含む、教師あり機械学習分類器を用いて、相互作用するペアとしないペアを区別するパターンを学習する。
• 学習分布を超える一般化を保証するため、3つの独立した高品質なテストデータセットでモデルを評価する。
• 過学習を低減するため、ハイパーパramータチューニングと交差検証が適用される。
• ソリューションはSeqPIP2020コンペティションに提出され、標準化された指標を用いて他の参加者のモデルとベンチマーク評価がなされる。

実験結果

リサーチクエスチョン

• RQ1 教師あり機械学習モデルは、アミノ酸配列データのみを用いてPPI予測で高い精度を達成できるか？
• RQ2 学習時に使用されていない独立した高品質なテストデータセットにおいて、モデルの性能はどのように変動するか？
• RQ3 慎重なデータセットの洗練が、PPI予測モデルの信頼性および一般化能力をどの程度向上させるか？
• RQ4 本手法は、SeqPIP2020チャレンジにおける他の手法と比較して、どのように差をつけるか？
• RQ5 低品質または不均衡な学習データからのバイアスを最小限に抑えることで、既存の手法を上回るシーケンスベースのモデルが実現可能か？

主な発見

• 提案手法は、SeqPIP2020評価で使用された3つの独立したテストデータセットすべてで優れた性能を示した。
• モデルは頑健な一般化を示し、学習データに過剰に適合することなく、配列パターンから効果的に学習していることを示した。
• SeqPIP2020コンペティションにおいて、他の競合モデルを上回る性能を発揮し、その有効性と信頼性を裏付けた。
• 高品質でバイアスのない学習データセットの使用が、モデルの予測精度および安定性の向上に顕著に寄与した。
• 結果から、洗練されたシーケンスデータに基づく教師あり学習が、高精度なPPI予測を実現でき、高コストの実験的手法への依存を減らせることが確認された。
• 本手法は、一次的配列情報のみを用いた、スケーラブルで再現可能なin silico PPI予測のフレームワークを提供する。