[论文解读] Virus genome sequence classification using features based on nucleotides, words and compression

T. Wang, Mark Herbster+1 more|arXiv (Cornell University)|Sep 11, 2018

Genomics and Phylogenetic Studies参考文献 55被引用 5

一句话总结

本文提出了一种基于核苷酸、k-mer和压缩技术提取的无比对特征的机器学习框架，用于将病毒基因组分类至ICTV目。采用SVM结合4-mer计数，该方法的平均错误率为0.006，显著优于其他特征-分类器组合，并成功预测了1,834个未分类病毒的目，其中16/17个预测结果与后续RefSeq分配结果一致。

ABSTRACT

The ICTV develops, refines and maintains a universal virus taxonomy; Order is the highest taxon in the branching hierarchy of recognised viral taxa. Historically, ICTV (sub)committees have classified viruses on the basis of morphological characteristics and various other attributes. Today, virtually all new viral genomes are assembled from metagenomic datasets and are not linked directly to biological agents. Thus, placing a virus into a taxonomic scheme solely from primary genome structure is an increasingly important problem. Various simple descriptive statistics of a viral genome sequence have been used successfully for virus classification. Here, we use the NCBI's viral and viroid reference sequence collection (RefSeq) and a common experimental framework to compare the performance of different genome sequence-derived features and classifiers in the task of assigning a virus to one of seven ICTV Orders. The nucleotide-, word-, and compression-based features we consider include genome length, the k-mer Natural Vector (k = 1, ..., 6) and its derivatives, return time distribution, and general-purpose and DNA-specific compression ratios; the classifiers used are the k-NN and SVM. The combination of genome length and k-NN has the worst, yet still respectable, performance (mean error rate of 0.137); the best performance is achieved using 4-mer counts and SVM (mean error rate of 0.006). We investigate the main causes of misclassification, explore which viruses are more difficult to classify, and use the best performing combination to predict the Orders of 1,834 unclassified viruses. A subsequent version of RefSeq assigned Orders to 17 of these previously unlabelled viruses. Since 16 of our predictions match these assignments, our approach could aid virologists dealing with viruses that are known only from sequence data.

研究动机与目标

• 为应对仅从基因组序列分类病毒的日益增长的挑战，特别是来自宏基因组学且缺乏生物学背景信息的病毒。
• 评估无比对特征——基于核苷酸、基于词元（k-mer）和基于压缩——在病毒基因组分类中的性能。
• 识别将病毒分配至ICTV目的最佳特征与分类器组合。
• 预测1,834个未分类病毒基因组的ICTV目，并通过后续RefSeq更新验证预测结果。

提出的方法

• 本研究使用NCBI RefSeq病毒和类病毒参考数据集作为训练和评估集，将病毒分类至七个ICTV目。
• 提取三类特征：基于核苷酸的（基因组长度、k=1至6的k-mer自然向量）、基于词元的（k-mer的返回时间分布）以及基于压缩的（通用压缩比和DNA专用压缩比）。
• 使用k-NN和带径向基函数核的SVM作为分类器，以评估不同特征集上的性能表现。
• 将表现最佳的模型——SVM结合4-mer计数——应用于预测1,834个此前未分类的病毒基因组的目。
• 通过10折交叉验证计算平均错误率，进行误分类分析与可视化，以识别难以分类的病毒。
• 提出一种基于图的半监督学习框架，作为未来扩展，以整合未标记基因组和稀疏的生物学标签，提升分类学推断性能。

实验结果

研究问题

• RQ1 哪种基因组衍生特征与分类器的组合在将病毒基因组分配至ICTV目时准确度最高？
• RQ2 误分类的主要原因是什么？哪些病毒类群在仅使用序列特征时最难分类？
• RQ3 所提出的方法在预测仅从基因组序列已知且缺乏生物学表征的病毒的ICTV目时准确度如何？
• RQ4 模型的预测结果能否通过RefSeq数据库的后续更新得到验证？
• RQ5 基于图的半监督学习是否能通过利用未标记基因组和稀疏生物学标签来提升分类性能？

主要发现

• 4-mer计数与SVM的组合表现最佳，平均错误率为0.006，显著优于所有其他特征-分类器组合。
• 表现最差的方法——基因组长度结合k-NN——仍达到0.137的平均错误率，表明即使简单特征也能支持分类。
• 本研究识别出特定病毒类群，尤其是某些未分类或高度分歧的病毒，由于序列复杂性或与参考类群相似度低，更难分类。
• 在使用最佳模型预测的1,834个未分类病毒中，16/17个在后续RefSeq更新中被分配至相同的ICTV目，验证了模型的预测能力。
• 结果表明，基于序列的分类方法可作为可靠且可扩展的方法，用于对来自宏基因组数据的病毒进行分类学分配，尤其在缺乏生物学数据时。
• 作者提出，基于图的半监督学习可通过将未标记基因组和稀疏生物学注释整合到动态、数据驱动的分类学框架中，进一步提升分类性能。