[논문 리뷰] Probabilistic $K$-mean with local alignment for clustering and motif discovery in functional data

Marzia A. Cremona, Francesca Chiaromonte|arXiv (Cornell University)|2018. 08. 14.

Bioinformatics and Genomic Networks참고 문헌 28인용 수 5

한 줄 요약

이 논문은 국소 정렬을 통합한 새로운 확률적 K-평균 군집화 방법인 probKMA를 소개한다. 이 방법은 정렬되지 않은 기능 데이터에서 반복적으로 나타나는 전형적인 형태인 기능 모티프를 탐지하는 데 목적이 있다. 국소 정렬, 도함수 기반 유사도, 그리고 흐린 군집화를 융합함으로써, 사전에 모티프의 수, 길이, 변동성을 지정하지 않고도 모티프를 식별한다. 시뮬레이션과 성장 곡선, 코로나19 사망률, 돌연변이 연구에서의 실제 데이터에서 전역 방법보다 뛰어난 성능을 보였다.

ABSTRACT

We develop a new method to locally cluster curves and discover functional motifs, i.e.~typical ``shapes'' that may recur several times along and across the curves capturing important local characteristics. In order to identify these shared curve portions, our method leverages ideas from functional data analysis (joint clustering and alignment of curves), bioinformatics (local alignment through the extension of high similarity seeds) and fuzzy clustering (curves belonging to more than one cluster, if they contain more than one typical ``shape''). It can employ various dissimilarity measures and incorporate derivatives in the discovery process, thus exploiting complex facets of shapes. We demonstrate the performance of our method with an extensive simulation study, and show how it generalizes other clustering methods for functional data. Finally, we provide real data applications to Berkeley growth data, Italian Covid-19 death curves and ``Omics'' data related to mutagenesis.

연구 동기 및 목표

• 정렬되지 않은 곡선에서 반복적인 국소 형태인 기능 모티프를 탐지하기 위한 통계적 방법의 격차를 보완하기 위해.
• 모티프 길이, 수, 변동성을 사전에 지정하지 않아도 되는 방법을 개발하기 위해.
• 전역 곡선 정렬이 아닌 국소적 형태 기반 유사도에 초점을 맞춘 기존 군집화 및 정렬 방법을 일반화하기 위해.
• 곡선가 여러 군집에 동시에 속할 수 있도록 가능하게 하여 확률적 군집화를 실현하기 위해.
• 단변량 및 다변량 기능 데이터에 적용 가능한 융통성 있고 데이터 기반의 모티프 탐지 접근법을 제공하기 위해.

제안 방법

• 생물정보학에서 BLAST에 영향을 받아 개선된 시드 확장 기반 국소 정렬을 사용하여 높은 유사도를 보이는 곡선 세그먼트를 식별한다.
• 곡선이 군집에 속하는 것의 소프트한 구성(soft membership)을 허용하는 확률적 K-평균 프레임워크를 적용하여 각 곡선이 여러 모티프에 연결될 수 있도록 한다.
• 함수 값과 도함수를 모두 유사도 측정에 통합하여 복잡한 형태 특징을 포착한다.
• 노이즈 감소와 모티프 내 변동성 모델링을 위해 B-스플라인 스무딩을 적용하여 탐지 정확도를 향상시킨다.
• 군집 평가를 위해 일반화된 실루엣 지수를 구현하고, 유사한 모티프를 병합하기 위한 후처리 단계를 추가한다.
• 배경 노이즈를 고려하여 통계적 유의성을 평가하기 위해 시뮬레이션 기반 추론을 사용한다.

실험 결과

연구 질문

• RQ1 모티프 길이나 수를 사전에 알지 못하는 조건에서 군집화 방법이 정렬되지 않은 기능 데이터에서 반복적인 국소 형태(모티프)를 탐지할 수 있는가?
• RQ2 기능 데이터 군집화에서 국소 정렬은 전역 정렬에 비해 모티프 탐지에 어떤 영향을 미치는가?
• RQ3 이 방법은 성장 곡선과 돌연변이 데이터와 같은 실제 기능 데이터에서 생물학적으로 의미 있는 모티프를 얼마나 잘 탐지할 수 있는가?
• RQ4 도함수와 스무딩을 통합함으로써 노이즈가 많은 곡선에서 미세한 형태 패턴을 어떻게 향상시킬 수 있는가?
• RQ5 배경 노이즈에서 탐지된 모티프의 통계적 유의성은 무엇이며, 이를 어떻게 평가할 수 있는가?

주요 결과

• probKMA는 짧거나 노이즈가 많거나 곡선에 흩어져 있는 경우조차도 시뮬레이션 데이터에서 기능 모티프를 성공적으로 식별한다.
• 모티프 길이와 변동성을 데이터에서 자동으로 적응함으로써 전역 정렬 및 고정 길이 모티프 탐지 방법보다 뛰어난 성능을 보인다.
• 버클리 성장 데이터에서 probKMA는 전역 방법이 포착하지 못한 생물학적으로 타당한 발달 성장 패턴을 탐지했다.
• 이탈리아 코로나19 사망 곡선에서는 지역 간 공통된 전염병 파동 형태가 반복적으로 나타나는 패tern을 발견하여 전염병 역학의 공통 특성을 드러냈다.
• 돌연변이 데이터에서는 각 모티프가 고유한 게놈 지형을 보였다. 예를 들어, 모티프 13은 외실과 보존된 염기서열에 풍부하게 분포하여 기능적 관련성이 있음을 시사했다.
• 메서드는 가끔 배경 노이즈에서 뜻하지 않게 하지만 통계적으로 검출 가능한 모티프를 탐지하기도 하며, 이는 향후 연구에서 유의성 검정의 필요성을 강조한다.