[论文解读] A more appropriate Protein Classification using Data Mining

Muhammad Mahbubur Rahman, Arif Ul Alam+2 more|arXiv (Cornell University)|Nov 30, 2010

Machine Learning in Bioinformatics被引用 3

一句话总结

本文提出了一种新颖的数据挖掘方法用于蛋白质分类，通过使用概率相似性评分，将六种关键蛋白质属性——结构、序列、连通性、聚类索引、交互性和分类多样性——整合到分层树模型中。与PSIMAP不同，后者无法对无标度蛋白质进行分类，本方法通过计算聚合概率值的键合因子，成功地将所有蛋白质（包括具有无标度拓扑结构的蛋白质）分组，最坏情况下时间复杂度为O(n)。

ABSTRACT

Research in bioinformatics is a complex phenomenon as it overlaps two knowledge domains, namely, biological and computer sciences. This paper has tried to introduce an efficient data mining approach for classifying proteins into some useful groups by representing them in hierarchy tree structure. There are several techniques used to classify proteins but most of them had few drawbacks on their grouping. Among them the most efficient grouping technique is used by PSIMAP. Even though PSIMAP (Protein Structural Interactome Map) technique was successful to incorporate most of the protein but it fails to classify the scale free property proteins. Our technique overcomes this drawback and successfully maps all the protein in different groups, including the scale free property proteins failed to group by PSIMAP. Our approach selects the six major attributes of protein: a) Structure comparison b) Sequence Comparison c) Connectivity d) Cluster Index e) Interactivity f) Taxonomic to group the protein from the databank by generating a hierarchal tree structure. The proposed approach calculates the degree (probability) of similarity of each protein newly entered in the system against of existing proteins in the system by using probability theorem on each six properties of proteins.

研究动机与目标

• 解决现有蛋白质分类技术（特别是PSIMAP）在分组无标度蛋白质方面的局限性。
• 开发一个统一框架，将多种蛋白质属性整合到单一分类系统中。
• 通过整合结构、功能和进化特性，改进分层蛋白质分组。
• 通过优化时间复杂度，确保在大规模蛋白质数据库中的可扩展性和高效性。

提出的方法

• 该方法基于结构、序列、连通性、聚类索引、交互性和分类多样性，为每种蛋白质计算六个独立的概率评分。
• 每个概率评分通过一个概率定理推导得出，用于衡量新蛋白质与系统中现有蛋白质之间的相似性。
• 键合因子计算为六个独立概率值的总和，表示蛋白质之间的整体相似性强度。
• 通过将每个新蛋白质的键合因子与根蛋白进行比较，递归构建分层树结构；若无根蛋白，则第一个蛋白质成为根。
• 该算法动态地将每个蛋白质分配到概率匹配最高的节点，确保在树中的最优定位。
• 时间复杂度分析表明，最坏情况下为O(n)，最好情况下为O(l)，其中n为蛋白质数量，l为树的层级。

实验结果

研究问题

• RQ1 数据挖掘方法能否有效分类现有方法（如PSIMAP）无法分组的无标度蛋白质？
• RQ2 如何将多种蛋白质属性——结构、序列、连通性、聚类索引、交互性和分类多样性——整合到单一分类框架中？
• RQ3 使用跨多个属性的概率评分，计算蛋白质之间相似性的最佳方式是什么？
• RQ4 所提出的算法如何确保新蛋白质在树结构中实现动态且准确的分层定位？
• RQ5 该算法的时间复杂度是多少？其在大规模蛋白质数据库中的可扩展性如何？

主要发现

• 所提出的方法成功分类了所有蛋白质，包括具有无标度拓扑结构的蛋白质，而PSIMAP无法实现此类分组。
• 将六种蛋白质属性整合到单一概率键合因子中，显著提高了分类的准确性和鲁棒性。
• 该算法在最坏情况下达到O(n)的时间复杂度，在最好情况下达到O(l)，表明其在大规模数据库中具备良好的可扩展性。
• 使用模拟数据的仿真结果证实了该算法能够动态地将蛋白质分配到层次结构中最可能的节点。
• 该方法通过解决PSIMAP在分类中排除无标度蛋白质的关键缺陷，表现优于PSIMAP。
• 该算法的成功依赖于聚类索引、连通性和交互性等属性具备良好定义的功能函数，而这些属性在当前生物信息学研究中仍处于开发阶段。