[論文レビュー] Identification of Protein Coding Regions in Genomic DNA Using Unsupervised FMACA Based Pattern Classifier

Kiran Sree Pokkuluri, Inampudi Ramesh Babu|arXiv (Cornell University)|Jan 25, 2014

Cellular Automata and Applications参考文献 16被引用数 21

ひとこと要約

本論文では、ラベルなし学習データを必要とせず、多様な配列長にわたって高い分類精度とスケーラビリティを達成する、Genomic DNA配列内のタンパク質コード領域を同定するための非教師ありファジィマルチアトラクタセルオートマトン（FMACA）に基づくパターン分類器を提案する。新規のK-Meansに類似したアルゴリズムをFMACAフレームワークに統合することにより、ラベルなし学習データを必要とせず、大規模なゲノムデータセットにおいても優れた性能を示す。

ABSTRACT

Genes carry the instructions for making proteins that are found in a cell as a specific sequence of nucleotides that are found in DNA molecules. But, the regions of these genes that code for proteins may occupy only a small region of the sequence. Identifying the coding regions play a vital role in understanding these genes. In this paper we propose a unsupervised Fuzzy Multiple Attractor Cellular Automata (FMCA) based pattern classifier to identify the coding region of a DNA sequence. We propose a distinct K-Means algorithm for designing FMACA classifier which is simple, efficient and produces more accurate classifier than that has previously been obtained for a range of different sequence lengths. Experimental results confirm the scalability of the proposed Unsupervised FCA based classifier to handle large volume of datasets irrespective of the number of classes, tuples and attributes. Good classification accuracy has been established.

研究の動機と目的

• タンパク質コード領域はしばしば小さく、非コード配列に埋め込まれているため、その同定に課題が伴うことを解決すること。
• ラベルなし学習データに依存しない、スケーラブルな非教師あり機械学習アプローチをGene予測のために開発すること。
• さまざまなDNA配列長にわたるコード領域の検出における分類精度と効率を向上させること。
• 複雑なゲノムパターンに適応可能なファジィセルオートマトンを用いた耐障害性の高いパターン分類器を設計すること。

提案手法

• 提案手法は、DNA配列内のコード領域を同定するために非教師ありファジィマルチアトラクタセルオートマトン（FMACA）分類器を採用する。
• クラスタ初期化の最適化と収束性の向上を図るために、FMACAフレームワークに新規のK-Meansに基づくアルゴリズムを統合する。
• 分類器はヌクレオチドパターンを分析し、タンパク質コード領域に特徴的な領域を同定することでゲノム配列を処理する。
• 不確実性を扱うためにファジィ論理を活用することで、ノイズや変動に対して耐性が高まり、堅牢性が向上する。
• 特徴抽出は変換を施さずに生のDNA配列上で直接行われ、生物学的文脈が保持される。
• アルゴリズムは、クラス数、タプル数、属性数に関係なく、データセットサイズの増大に対しても効率的にスケーリング可能に設計されている。

実験結果

リサーチクエスチョン

• RQ1 ラベルなし学習データを必要とせず、非教師ありパターン分類器がゲノムDNA配列内のタンパク質コード領域を効果的に同定できるか？
• RQ2 K-Meansに類似したアルゴリズムの統合が、FMACAベースの分類器のGene予測における性能をどのように向上させるか？
• RQ3 提案手法が、多様なDNA配列長にわたって高い精度を維持する程度はどの程度か？
• RQ4 大規模なゲノムデータセットに適用した場合、FMACAベースの分類器はどの程度スケーラブルか？

主な発見

• 提案された非教師ありFMACAベースの分類器は、ゲノムDNA配列内のタンパク質コード領域を同定する際に高い分類精度を達成した。
• 本手法は強力なスケーラビリティを示し、配列長やデータ複雑性に関係なく、大規模なゲノムデータを効果的に処理できた。
• K-Meansに基づく初期化の統合により、従来の手法と比較してFMACA分類器の効率性と収束性が向上した。
• 実験結果から、本分類器は異なる配列長およびデータサイズにおいて一貫した性能を維持することが確認された。