[论文解读] Segmenting DNA sequence into `words' based on statistical language model

Wang Liang|arXiv (Cornell University)|Feb 12, 2012

Machine Learning in Bioinformatics被引用 4

一句话总结

本文提出一种无监督n-gram统计语言模型，将DNA序列分割为12–15个碱基对的生物学上有意义的“词”，实现约1.5674比特的语言熵。该方法支持跨基因组比较，揭示不同基因组之间可能存在类似于相关人类语言的语义相似性。

ABSTRACT

This paper presents a novel method to segment/decode DNA sequences based on n-gram statistical language model. Firstly, we find the length of most DNA “words” is 12 to 15 bps by analyzing the genomes of 12 model species. The bound of language entropy of DNA sequence is about 1.5674 bits. After building an n-gram biology languages model, we design an unsupervised ‘probability approach to word segmentation’ method to segment the DNA sequences. The benchmark of segmenting method is also proposed. In cross segmenting test, we find different genomes may use the similar language, but belong to different branches, just like the English and French/Latin. We present some possible applications of this method at last.

研究动机与目标

• 通过分析12种模式生物的基因组，确定DNA“词”的最优长度。
• 利用统计建模估算DNA序列语言熵的下限。
• 开发一种基于概率的无监督DNA序列词分割方法。
• 建立评估DNA序列分割性能的基准。
• 探索基因组间的语言相似性，类比于英语与拉丁语等人类语言之间的关系。

提出的方法

• 分析12种模式基因组，确定最频繁的DNA“词”长度在12至15个碱基对之间。
• 计算DNA序列的语言熵，得出每碱基对约1.5674比特的界限。
• 构建n-gram统计语言模型，将DNA表示为概率语言。
• 应用基于概率的分割算法，利用n-gram似然性识别词边界。
• 设计一种跨分割基准，用于评估不同基因组中分割准确性的表现。
• 使用语言类比解释基因组相似性，将基因组与相关的人类语言进行比较。

实验结果

研究问题

• RQ1 在不同模式生物中，DNA“词”的最优长度（以碱基对计）是多少？
• RQ2 DNA序列语言熵的理论下限是多少？
• RQ3 无监督n-gram模型能否有效将DNA序列分割为生物学上有意义的单元？
• RQ4 尽管存在进化分歧，不同基因组在多大程度上共享语言模式？
• RQ5 如何为跨基因组比较客观地建立DNA序列分割的基准？

主要发现

• 在12种模式生物中，最频繁的DNA“词”长度始终在12至15个碱基对之间。
• DNA序列的语言熵被限制在每碱基对约1.5674比特。
• 所提出的n-gram模型能够在无需先验生物学知识的情况下，有效实现DNA序列的无监督分割。
• 来自不同进化分支的基因组表现出语言相似性，类似于法语与拉丁语之间的关系。
• 该方法建立了可重复的基准，用于评估DNA序列分割性能。
• 该方法揭示了基因组序列可从语言学视角进行分析，表明不同物种间存在共享的统计模式。