[論文レビュー] Extending the Recursive Jensen-Shannon Segmentation of Biological Sequences

Siew-Ann Cheong, Paul Stodghill+3 more|ArXiv.org|Apr 16, 2009

RNA and protein synthesis mechanisms参考文献 26被引用数 7

ひとこと要約

この論文は、生物学的配列の再帰的Jensen-Shannon分離法を拡張し、ベルヌーイ連鎖の代わりにマルコフ連鎖をセグメントとしてモデル化することで、マルコフモデル用の一般化されたJensen-Shannon発散を導入している。局所最適化手法を提案してドメインウォールの配置を改善し、統計的フラクチュエーションに基づく新しい終了基準を導入することで、事前にセグメント数やノイズモデルを仮定しないE. coli K-12 MG1655ゲノム上で、分離精度と頑健性を著しく向上させた。

ABSTRACT

In this paper, we extend a previously developed recursive entropic segmentation scheme for applications to biological sequences. Instead of Bernoulli chains, we model the statistically stationary segments in a biological sequence as Markov chains, and define a generalized Jensen-Shannon divergence for distinguishing between two Markov chains. We then undertake a mean-field analysis, based on which we identify pitfalls associated with the recursive Jensen-Shannon segmentation scheme. Following this, we explain the need for segmentation optimization, and describe two local optimization schemes for improving the positions of domain walls discovered at each recursion stage. We also develop a new termination criterion for recursive Jensen-Shannon segmentation based on the strength of statistical fluctuations up to a minimum statistically reliable segment length, avoiding the need for unrealistic null and alternative segment models of the target sequence. Finally, we compare the extended scheme against the original scheme by recursively segmenting the Escherichia coli K-12 MG1655 genome.

研究の動機と目的

• 生物学的配列の再帰的分離の精度を向上させるために、セグメントをベルヌーイ連鎖の代わりにマルコフ連鎖としてモデル化すること。
• 元の再帰的Jensen-Shannonスキームの限界、特に発散スペクトルの局所的フラクチュエーションによるドメインウォールの最適でない発見順序を解消すること。
• ドメインウォールの位置を再配置することで、統計的有意性を高める局所最適化アルゴリズムを開発すること。
• 内在的統計的フラクチュエーションに基づく、ノイズモデルや事前のセグメント数に依存しない新しい終了基準を導入すること。
• E. coli K-12 MG1655ゲノム上で、改良されたスキームを元のものと比較し、検出されたドメインウォールの安定性と信頼性の向上を示すこと。

提案手法

• K>0の順序を持つ2つのマルコフ連鎖を比較するためのJensen-Shannon発散の一般化により、生物学的配列における二ヌクレオチドおよびコドンバイアスのより良いモデル化を可能にする。
• 再帰的分離プロセスの平均場解析を行い、偽のピークや発散スペクトルにおけるかぎれん（kinks）といった落とし穴を特定する。これらは真のドメインウォールを隠す要因となる。
• 2つの局所最適化スキームを開発し、各再帰レベルでドメインウォールを再配置することで、統計的有意性を最大化し、分離品質を向上させる。
• 相対的なサブカット長の統計的フラクチュエーションの強さに基づく新しい終了基準を提案し、これを発散スペクトルの元データと平滑化されたスペクトルの間の面積差分率δA/Aとして定量化する。
• 最終的な分離を近似するために再帰的粗化解析を実装し、δA/A統計量を停止ルールとして用いる。これは未解決のフラクチュエーションの有意性を反映する。
• 最適化されたスキームをE. coli K-12 MG1655ゲノムに適用し、元の手法と比較することで、ドメインウォールの安定性と発見順序の評価を行う。

実験結果

リサーチクエスチョン

• RQ1 K>0の順序を持つマルコフ連鎖として生物学的配列セグメントをモデル化することで、ベルヌーイ連鎖と比較して分離精度がどのように向上するか？
• RQ2 元の再帰的Jensen-Shannon分離法が、真の統計的強度の順にドメインウォールを発見できないのはなぜか？その原因は何か？
• RQ3 ドメインウォール位置の局所最適化は、再帰的分離における検出されたセグメントの統計的有意性を向上させることができるか？
• RQ4 ノイズモデルや代替セグメントモデルに依存しない、頑健でモデルフリーな再帰的分離の終了基準は何か？
• RQ5 実際の細菌ゲノムであるE. coli K-12 MG1655上での最適化された分離スキームは、元のものと比較して、安定的かつ生物学的に意味のあるドメインウォールをどのようによりよく検出するか？

主な発見

• マルコフ連鎖用に一般化されたJensen-Shannon発散は、生物学的配列における短距離相関を効果的に捉え、二ヌクレオチドバイアスやコドンバイアスの表現においてベルヌーイモデルを上回ることを示した。
• 平均場解析により、真のドメインウォールが発散スペクトルにピーク、かぎれん、あるいは完全に消失する形で現れることが判明し、元のスキームにおける最適でない発見順序の理由が説明された。
• 局所最適化スキームにより、ドメインウォールが統計的に強い発散点へ再配置され、不完全な分離における有意性が向上した。
• δA/Aに基づく新しい終了基準は、さらなる分離が意味のある情報を追加しないことを効果的に特定し、現実的でないノイズモデルへの依存を回避した。
• E. coli K-12 MG1655ゲノム上では、最適化されたスキームが元のものよりも早くかつより信頼性高く安定したドメインウォールを検出しており、安定したウォールが常に最初に発見された。
• 最適化された分離は文脈依存性により完全な階層的構造ではなかったが、安定したドメインウォールは生物学的に有意な境界を示す頑健な指標のままであった。