[论文解读] 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 9

一句话总结

本文在大规模、具有代表性的蛋白质结构域数据集上评估了通用相似性度量（USM），这是一种受柯尔莫哥洛夫复杂性启发的基于压缩的相似性度量。尽管先前声称其有效，但USM的结构域判别能力显著低于现有方法，无法可靠地区分蛋白质结构域。

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.

研究动机与目标

• 严格测试通用相似性度量（USM）在检测蛋白质结构域相似性方面的有效性。
• 评估USM在大规模、具有代表性的蛋白质结构域数据集上与现有方法相比是否保持较强的判别能力。
• 挑战先前关于USM在蛋白质结构上可实现良好聚类结果的声明。
• 评估USM作为生物信息学中结构域相似性度量的鲁棒性。

提出的方法

• 将USM应用于Sierk和Pearson的结构域数据集，该数据集是蛋白质结构比较的标准基准。
• 该度量基于无损压缩算法的压缩长度差异计算相似性。
• 将USM的性能与Sierk和Pearson评估中七种蛋白质结构比较方法及两种序列比较方法进行对比。
• 使用标准指标评估聚类质量，以量化结构域的判别能力。
• 评估重点在于USM正确分组结构相似结构域的能力。

实验结果

研究问题

• RQ1 通用相似性度量是否能有效检测蛋白质结构域之间的结构相似性？
• RQ2 USM的结构域判别能力与七种现有蛋白质结构比较方法相比如何？
• RQ3 USM能否在代表性数据集上可靠地将蛋白质结构域聚类为具有生物学意义的组？
• RQ4 Krasnogor和Pelta先前声称的优异聚类性能在更大、更具代表性的数据集上是否可复现？

主要发现

• 通用相似性度量在Sierk和Pearson评估的七种蛋白质结构比较方法中，表现出最弱的结构域判别能力。
• USM在代表性结构域数据集上未能实现可靠的聚类性能，与早期积极评价相矛盾。
• 该度量的性能不仅低于基于结构的方法，也低于基于序列的比较方法。
• 结果表明，USM在检测具有生物学意义的结构域相似性方面敏感性不足。
• 本研究结论认为，USM在比较基因组学中并非蛋白质结构域相似性检测的可靠替代方法。