[論文レビュー] Multiple Attractor Cellular Automata (MACA) for Addressing Major Problems in Bioinformatics

Kiran Sree Pokkuluri, Inampudi Ramesh Babu+1 more|arXiv (Cornell University)|Oct 16, 2013

Cellular Automata and Applications参考文献 21被引用数 5

ひとこと要約

本論文は、複数のアトラクターを有する細胞オートマトンと遺伝的アルゴリズムで最適化されたルールを活用する、新たな計算フレームワークである複数アトラクター細胞オートマトン（MACA）を提案する。この手法は、タンパク質コード領域の予測、プロモーター検出、タンパク質構造予測といった、バイオインフォマティクスの根幹的問題における精度を向上させる。MACAは、ENCODE、BG570、HMR195、FickettとTongue、ASP67といった複数のベンチマークデータセットを対象として、平均78%の精度を達成した。

ABSTRACT

CA has grown as potential classifier for addressing major problems in bioinformatics. Lot of bioinformatics problems like predicting the protein coding region, finding the promoter region, predicting the structure of protein and many other problems in bioinformatics can be addressed through Cellular Automata. Even though there are some prediction techniques addressing these problems, the approximate accuracy level is very less. An automated procedure was proposed with MACA (Multiple Attractor Cellular Automata) which can address all these problems. The genetic algorithm is also used to find rules with good fitness values. Extensive experiments are conducted for reporting the accuracy of the proposed tool. The average accuracy of MACA when tested with ENCODE, BG570, HMR195, Fickett and Tongue, ASP67 datasets is 78%.

研究の動機と目的

• バイオインフォマティクス分野における既存の予測手法の低精度、特に遺伝子およびタンパク質関連タスクにおける精度の低さを是正すること。
• 従来の細胞オートマトンの限界を克服するため、パターン認識および分類性能を向上させるために複数のアトラクターを導入すること。
• 遺伝的アルゴリズムを用いて自動的に最適化されたルールを有するシステムを構築し、多様な生物学的データセットにおける分類性能を向上させること。
• プロモーター検出やタンパク質構造予測といった、複数のバイオインフォマティクス問題に適用可能な統一フレームワークを提供すること。
• 計算生物学分野の多様で標準的なベンチマークデータセットにおいて、強固な性能を示すことを実証すること。

提案手法

• 複雑な生物学的パターンを表現し、分類の安定性を向上させるために、複数のアトラクターを有する細胞オートマトンモデルを設計する。
• トレーニングデータから得られるフィットネス基準に基づいて、最適な局所的遷移ルールを遺伝的アルゴリズムで進化および選択する。
• ENCODE、BG570、HMR195、FickettとTongue、ASP67といったデータセットからのラベル付き生物学的配列を用いて、MACAモデルをトレーニングする。
• ルールのフィットネス評価を用いて、高精度で生物学的に意味のあるルール集合に向けた進化プロセスをガイドする。
• 進化したルールを決定的細胞オートマトンフレームワークに統合し、反復的に配列を処理して分類結果に収束させる。
• 異なる生物学的配列タイプにわたる一般化能力を保証するため、クロスデータセットテストを用いてモデルを検証する。

実験結果

リサーチクエスチョン

• RQ1 複数のアトラクターを有する細胞オートマトンモデルは、従来の単一アトラクター型モデルに比べ、生物学的配列の分類性能を上回ることができるか？
• RQ2 遺伝的アルゴリズムで最適化されたルールは、多様なデータセットにおいてバイオインフォマティクス予測の精度をどの程度向上させることができるか？
• RQ3 MACAフレームワークは、コード領域やプロモーターなど、さまざまな種類の生物学的配列に対して、どの程度一般化性能を示すか？
• RQ4 既存手法と比較して、MACAはタンパク質コード領域およびプロモーター領域の予測において、どの程度の達成可能な精度を示すか？
• RQ5 単一のルール学習メカニズムを用いて、MACAフレームワークは一貫して複数のバイオインフォマティクス問題を効果的に解決できるか？

主な発見

• MACAフレームワークは、ENCODE、BG570、HMR195、FickettとTongue、ASP67という5つの主要なバイオインフォマティクスデータセットにおいて、平均78%の精度を達成した。
• 細胞オートマトンモデルに複数のアトラクターを導入することで、単一アトラクター手法と比較して、パターン認識能力および分類の安定性が顕著に向上した。
• 遺伝的アルゴリズムで最適化されたルールは高いフィットネスを示し、予測性能が向上した。これは、生物学的配列解析における効果的なルール発見を示している。
• 本手法は多様なデータセットにおいて一貫した性能を示した。これは、実世界のバイオインフォマティクス応用において、強固さと一般化能力を有していることを示している。
• フレームワークは、タンパク質コード領域の予測、プロモーター検出、タンパク質構造予測という複数の問題を、1つの計算モデル内で効果的に解決した。
• 本研究は、MACAが、従来のルールベースおよび機械学習手法に代わる、実用的で自動的かつ高精度な代替手法であることを確認している。