[论文解读] Hidden Markov Models for Gene Sequence Classification: Classifying the VSG genes in the Trypanosoma brucei Genome

Andrea Mesa, Sebastián Basterrech+2 more|arXiv (Cornell University)|Jul 31, 2015

Genomics and Phylogenetic Studies参考文献 43被引用 5

一句话总结

本文提出一种具有3个状态的隐马尔可夫模型（HMM），用于分类布氏锥虫基因组中的变异体表面糖蛋白（VSG）基因，该方法基于统计模式而非序列同源性。该模型实现了超过90%的高灵敏度，并以极低的假阳性率完美检测出所有VSG基因，优于2状态模型，且在两条DNA链上均表现出强鲁棒性。

ABSTRACT

The article presents an application of Hidden Markov Models (HMMs) for pattern recognition on genome sequences. We apply HMM for identifying genes encoding the Variant Surface Glycoprotein (VSG) in the genomes of Trypanosoma brucei (T. brucei) and other African trypanosomes. These are parasitic protozoa causative agents of sleeping sickness and several diseases in domestic and wild animals. These parasites have a peculiar strategy to evade the host's immune system that consists in periodically changing their predominant cellular surface protein (VSG). The motivation for using patterns recognition methods to identify these genes, instead of traditional homology based ones, is that the levels of sequence identity (amino acid and DNA sequence) amongst these genes is often below of what is considered reliable in these methods. Among pattern recognition approaches, HMM are particularly suitable to tackle this problem because they can handle more naturally the determination of gene edges. We evaluate the performance of the model using different number of states in the Markov model, as well as several performance metrics. The model is applied using public genomic data. Our empirical results show that the VSG genes on T. brucei can be safely identified (high sensitivity and low rate of false positives) using HMM.

研究动机与目标

• 为解决在布氏锥虫中识别高度可变的VSG基因的挑战，这些基因常因序列同源性低而逃避传统基于同源性的检测方法。
• 开发一种基于隐马尔可夫模型（HMM）的机器学习方法，通过识别基因组序列中的统计模式来检测VSG基因。
• 通过比传统方法更自然地建模基因边界，提升基因边界检测的准确性。
• 评估不同状态数的HMM在布氏锥虫真实基因组数据上的性能表现。
• 提供一种可扩展的框架，适用于其他非洲锥虫及沉默基因库特征不明确的高度可变基因家族。

提出的方法

• 构建一个3状态HMM，将基因组区域分类为三类：正向链上的VSG基因、互补链上的VSG基因以及基因间区。
• 模型利用基于核苷酸组成得出的发射概率和状态间的转移概率，以捕捉VSG基因特有的序列模式。
• HMM在公开基因组数据中已注释的VSG基因簇上进行训练，采用三重数据划分（A、B、C）的分层学习策略，以确保泛化能力。
• 使用标准指标评估模型性能：真正率（TPR）、阳性预测值（PPV）以及未检测到的VSG基因数（ND-VSG）。
• 提出一种过滤方法，通过将预测位置与训练数据中已知的VSG位置进行比较，识别出误分类的基因。
• 将该模型应用于布氏锥虫基因组序列9，使用Artemis软件可视化结果，对比注释与预测的VSG基因位置。

实验结果

研究问题

• RQ1 尽管VSG基因具有高度序列可变性和低同源性，隐马尔可夫模型是否能有效分类布氏锥虫基因组中的VSG基因？
• RQ2 3状态HMM是否在两条DNA链上均以高灵敏度和低假阳性率优于2状态HMM，实现对VSG基因的检测？
• RQ3 能否使用HMM可靠地建模VSG序列中的统计模式，以将其与基因间区及非VSG编码区区分开来？
• RQ4 当在部分数据上进行训练时，HMM在不同基因组分区（A、B、C）上的泛化能力如何？
• RQ5 该模型是否可扩展用于检测非注释区域中的VSG基因簇，并将其与普通蛋白编码基因区分开来？

主要发现

• 3状态HMM在C分区的真正率（TPR）达到0.9508，在B分区达到0.9568，表明其在检测VSG基因方面具有高灵敏度。
• 该模型在C分区的阳性预测值（PPV）为0.6157，表明其在VSG预测中具有中等到较高的精确度。
• 在测试集中，正向链和互补链上的所有VSG基因均被正确识别，所有分区中未检测到的VSG基因数（ND-VSG）为0。
• 与2状态模型相比，3状态模型在两条链上均更优地检测出VSG基因，尤其在识别互补链上的基因方面表现更佳。
• 所提出的过滤方法成功利用训练数据中已知的VSG位置，识别并纠正了误分类的基因。
• 该模型在不同基因组区域中表现出稳健性能，对序列9的两条链均保持一致的检测准确率。