[論文レビュー] The Universal Similarity Metric does not detect domain similarity

Jairo Rocha, Francesc Rosselló+1 more|arXiv (Cornell University)|Mar 6, 2006

Topic Modeling被引用数 9

ひとこと要約

本論文は、コルモゴロフ複雑性にインspiredされた圧縮に基づく類似度測定法であるユニバーサル類似度測度（USM）を、大規模かつ代表的なタンパク質ドメインデータセットに対して評価している。先行研究における有効性の主張とは異なり、USMは既存の手法に比べて顕著に低いドメイン識別能を示し、タンパク質ドメインを信頼性高く区別できない。

ABSTRACT

Kolmogorov complexity has inspired several alignment-free distance measures, based on the comparison of lengths of compressions, which have been applied successfully in many areas. One of these measures, the socalled Universal Similarity Metric, has been used by Krasnogor and Pelta to compare protein structures, showing that it yielded good clustering on several datasets. In this paper we report an extensive test of this metric using a much larger and representative protein dataset: the domain dataset used by Sierk and Pearson to evaluate seven protein structure comparison methods and two protein sequence comparison methods. The result is that the Universal Similarity Metric has less domain discriminant power than any one of the methods considered by Sierk and Pearson.

研究の動機と目的

• ユニバーサル類似度測度（USM）がタンパク質ドメイン類似度を検出する能力を厳密にテストすること。
• SierkとPearsonの評価で用いられた既存の手法と比較して、USMが大規模かつ代表的なタンパク質ドメインデータセットにおいて強い識別力を維持しているかどうかを評価すること。
• KrasnogorとPeltaが提示した、USMがタンパク質構造において良好なクラスタリング結果をもたらすという主張に疑問を呈すること。
• USMがバイオインフォマティクス分野におけるドメイン類似度測定法としての耐性を有しているかどうかを評価すること。

提案手法

• USMは、タンパク質構造比較の標準ベンチマークとして用いられるSierkとPearsonのドメインデータセットに適用された。
• この指標は、損失なし圧縮アルゴリズムを用いて圧縮長の差異に基づいて類似度を計算する。
• USMの性能は、SierkとPearsonの評価に含まれる7つのタンパク質構造比較手法および2つの配列比較手法と比較された。
• クラスタリングの質は、ドメイン識別能を定量化するための標準指標を用いて評価された。
• 評価は、USMが構造的に類似したドメインを正しくグループ化できる能力に焦点を当てた。

実験結果

リサーチクエスチョン

• RQ1 ユニバーサル類似度測度はタンパク質ドメイン間の構造的類似度を効果的に検出できるか？
• RQ2 USMのドメイン識別能は、SierkとPearsonが評価した7つの既存のタンパク質構造比較手法と比べてどうか？
• RQ3 USMは代表的なデータセット上でタンパク質ドメインを生物学的に意味のあるグループに信頼性高くクラスタリングできるか？
• RQ4 KrasnogorとPeltaによる、良好なクラスタリング性能を示すという主張は、より大規模かつ代表的なデータセットでも再現可能か？

主な発見

• ユニバーサル類似度測度は、SierkとPearsonが評価した7つのタンパク質構造比較手法のいずれよりも低いドメイン識別能を示した。
• USMは代表的なドメインデータセット上で信頼性のあるクラスタリング性能を達成できず、以前の肯定的な主張と矛盾した。
• この指標の性能は、構造ベースの手法に劣るだけでなく、配列ベースの比較手法に対しても劣っていた。
• 結果から、USMは生物学的に関連するドメイン類似度を検出するのに十分な感度を欠いていることが示された。
• 本研究は、USMが比較ゲノム学におけるタンパク質ドメイン類似度検出の信頼できる代替手段ではないと結論づけた。