[논문]포켓과 특징 점을 이용한 3차원 단백질 분자 형상인식

이항찬

doi:10.7236/jiwit.2011.11.3.075

포켓과 특징 점을 이용한 3차원 단백질 분자 형상인식
Shape Recognition of 3-D Protein Molecules Using Feature and Pocket Points 원문보기

한국인터넷방송통신학회 논문지 = The journal of the Institute of Internet Broadcasting and Communication, v.11 no.3, 2011년, pp.75 - 81

초록
AI-Helper

단백질 분자는 포켓 위치에서 유사한 형상을 갖는 다른 분자와 결합되며, 포켓은 단백질 분자의 형상을 묘사하기 위한 참조 점으로 사용될 수 있다. Harris 검출기는 2 차원이나 3차원 객체의 특징 점을 검출하기 위해 널리 사용된다. 특징 점들은 데이터의 변화율이 높은 영역과 포켓 영역에서 발견된다. 일반적으로 포켓 영역은 함몰된 형태로 존재하기 때문에 이 영역에는 다른 영역에 비해 다수의 특징 점들이 존재한다. 특징 점들을 포함하는 voxel cube를 연속적으로 분할함으로써 포켓 영역을 발견할 수 있었고, 포켓 영역의 중심 좌표와 특징 점들 간의 Euclidean 거리를 계산한 후 이들을 크기순으로 정렬 하였다. 정렬된 거리에 대한 그래프는 단백질 분자의 형상과 특징 점들의 분포에 대한 정보를 제공하므로 단백질 분자를 형상별로 분리 할 수 있었다. 본 연구에서는 인위적인 잡음을 단백질 분자에 추가하여 형상이 왜곡된 분자를 얻었고, 왜곡된 분자에 대해서도 95 % 이상의 정확 도로 형상을 인식 할 수 있었다. 정확한 단백질 분자의 형상 인식은 분자들 간의 결합특성을 예측할 수 있는 중요한 정보를 제공한다.

Abstract ▼ AI-Helper

Protein molecules are combined with another ones which have similar shapes at pocket positions. The pocket positions can be good references to describe the shapes of protein molecules. Harris corner detector is commonly used to detect feature points of 2 or 3D objects. Feature points can be found on the pocket areas and the points which have high derivatives. Generally speaking, the densities of feature points are relatively high at pocket areas because the shapes of pockets are concave. The pocket areas can be decided by the subdivision of voxel cubes which include feature points. The Euclidean distances between feature points and the central coordinate of the decided pocket area are calculated and sorted. The graph of sorted distances describes the shape of a protein molecule and the distribution of feature points. Therefore, it can be used to classify protein molecules by their shapes. Even though the shapes of protein molecules have been distorted with noises, they can be recognized with the accuracy more than 95 %. The accurate shape recognition provides the information to predict the binding properties of protein molecules.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 논문에서는 2차원 및 3차원 객체의 특징 점을 검출하는데 널리 사용되는 Harris 검출기를 이용하여 단백질 분자의 외형을 분석하고 특징 점을 검출하였다. 검출된 특징 점들은 단백질 분자의 외형을 묘사할 수 있는 참조점으로 사용될 수 있다.
본 논문에서는 단백질 분자의 특징 점과 포켓에 기반한 형상인식 알고리즘을 제안하였다. 즉 Harris 검출기를 이용하여 단백질 분자의 특징 점을 계산하고 특징 점들의 단위 체적 당 밀도를 측정하여 포켓의 위치를 결정하였다.
포켓의 위치 및 형상은 단백질 분자 전체의 형상과 더불어 단백질 분자의 결합 특성을 예측하기 위한 중요한 정보를 제공한다. 본 논문에서는 포켓의 형상 보다는 단백질 분자의 전체 형상 인식에 주안점을 둔다. 특징 점들을 검출한 후 이들의 밀도를 측정하여 포켓의 위치를 계산 하였고, 포켓의 중앙으로부터 나머지 특징 점들 사이의 Euclidean 거리를 측정하였다.

제안 방법

20개의 서로 다른 단백질 (1a7c_A, 1a88_A, 1aox_A, 1ar1_A, 1atk, 1auo_A, 1auy_A, 1aw1_B, 1aw5, 1ax4_A, 1ay0_A, 1aye, 1b8a_A, 1b77_A, 1b99_A, 1bar_A, 1bef_A, 1dzr_A, 1gwz, 13pk_A) 각각에 대해 포켓으로부터 특징 점까지의 거리를 계산하고, 크기 별로 정렬한 후 그림 7 과 같이 그래프로 나타내었다. 그림7 에서 빨간색과 (*, +, o, x)로 표현된 그래프는 시스템의 정확도를 측정하기 위해, 잡음(noise)을 첨가 할 4개의 단백질(1a7c_A, 1b8a_A, 1bef_A, 13pk_A)에 대한 거리를 나타내고 있다.
3차원의 voxel 형태로 주어진 단백질 분자의 데이터 분석을 위해, 200x200x200 데이터 중 특징 점이 존재하는 위치에는 ‘1’을 삽입 하고 그렇지 않는 곳에는 ‘0’을 삽입하였다.
실험 결과는 4장에 주어진다. Harris 검출기를 이용하여 특징 점들을 검출하고, 이 특징 점을 포함 하는 200x200x200 voxel cube를 분할하여 포켓을 구한 후, 단백질 인식까지의 전 과정은 그림6 의 블록 다이아 그램에 주어졌다.
3차원의 voxel 형태로 주어진 단백질 분자의 데이터 분석을 위해, 200x200x200 데이터 중 특징 점이 존재하는 위치에는 ‘1’을 삽입 하고 그렇지 않는 곳에는 ‘0’을 삽입하였다. 각 단백질의 전체 voxel 데이터를 40x40x40, 25x25x25, 20x20x20, 10x10x10, 8x8x8, 4x4x4, 2x2x2 의 cube 로 분할하였을 때, 각 영역에 대하여 존재하는 특징점의 개수를 측정하였고, cube의 크기 별 가장 밀도가 높은 cube 대한 특징 점의 밀도를 그림5 에 표현 하였다. 실험 결과 분할된 voxel cube의 크기가 4x4x4일 때 포켓의 중앙 위치를 가장 정확히 표현함을 알 수 있었다.
실험 결과 분할된 voxel cube의 크기가 4x4x4일 때 포켓의 중앙 위치를 가장 정확히 표현함을 알 수 있었다. 따라서 4x4x4로 분할되었을 때 가장 밀도가 높은 voxel cube를 선택하고, 이 영역에 포함된 특징 점들의 좌표들을 산술 평균하여 포켓의 위치로 결정하였다. 그림 [1～4] 에서 볼 수 있는 것처럼 포켓의 위치에서는 많은 특징점들이 밀집되어 있는 것을 알 수 있다.
따라서 포켓의 위치와 단백질의 형상에 따라 어떠한 단백질 분자가 결합 될 것인지에 대한 예측을 할 수 있고 이는 분자 생물학에 있어서 중요한 관심 분야가 되고 있다. 본 논문에서는 단백질 분자의 형상을 인식하기 위한 기준점으로써 포켓의 위치를 이용하고, 이에 대한 생물학적 언급은 생략하기로 한다. 포켓의 형상은 단백질 마다 다르나 다른 단백질과 결합을 위해 함몰된 형태로 존재하고 따라서 이곳에는 많은 특징 점들이 존재한다.
그림7 에서 볼 수 있는 것처럼 각 단백질은 저마다의 형상에 따라 다른 형태의 그래프로 나타낼 수 있고 이들 그래프의 유사도를 측정함으로써 단백질 분자의 형상을 인식할 수 있었다. 시스템의 정확도를 측정하기 위해 4개의 단백질 분자의 voxel 좌표를 5 ～ 10%의 범위 내에서 난 수 발생기를 이용하여 임으로 이동하였다. 이는 자연 상태에서도 단백질 분자는 내부적 혹은 외부적인 요인에 의하여 형상의 일부가 변형될 수 있으므로 본 실험에서도 좌표 값을 변화시킴으로써 인위적으로 형상을 왜곡 시켰다.
시스템의 정확도를 측정하기 위해 4개의 단백질 분자의 voxel 좌표를 5 ～ 10%의 범위 내에서 난 수 발생기를 이용하여 임으로 이동하였다. 이는 자연 상태에서도 단백질 분자는 내부적 혹은 외부적인 요인에 의하여 형상의 일부가 변형될 수 있으므로 본 실험에서도 좌표 값을 변화시킴으로써 인위적으로 형상을 왜곡 시켰다. 즉 4개의 단백질 분자에 대하여 범위 내의 잡음이 첨가된 50 개의 왜곡된 단백질 분자를 생성한 후 그림6의 알고리즘을 적용하여, 포켓 과 특징 점간의 거리를 측정하였고 이를 그림8 에 표시하였다.
포켓으로부터 특징 점까지의 Euclidean 거리를 계산하였고 이들을 크기 별로 정렬한 후, 비교 대상 단백질 데이터와 유사도(correlation)를 측정하였다. 제안된 알고리즘의 강인성을 측정하기 위해 난수 발생기를 이용하여 단백질 분자의 voxel 좌표를 5 ～ 10 %의 범위 내에서 임의로 이동 시켜 잡음을 첨가 하였다. Harris 검출기는 지역영역 데이터 분포에 기반 하여 특징 점을 검출 하므로 단백질 데이터에 약간의 잡음 혹은 변형이 추가 된다고 하더라도 커다란 오차 없이 특징 점 들을 구해낼 수 있었다.
그림7 에서 빨간색과 (*, +, o, x)로 표현된 그래프는 시스템의 정확도를 측정하기 위해, 잡음(noise)을 첨가 할 4개의 단백질(1a7c_A, 1b8a_A, 1bef_A, 13pk_A)에 대한 거리를 나타내고 있다. 즉 4개의 단백질에 대해서는 임의의 잡음을 첨가 한 후 형상 인식을 하였다. 그림7 에서 볼 수 있는 것처럼 각 단백질은 저마다의 형상에 따라 다른 형태의 그래프로 나타낼 수 있고 이들 그래프의 유사도를 측정함으로써 단백질 분자의 형상을 인식할 수 있었다.
본 논문에서는 단백질 분자의 특징 점과 포켓에 기반한 형상인식 알고리즘을 제안하였다. 즉 Harris 검출기를 이용하여 단백질 분자의 특징 점을 계산하고 특징 점들의 단위 체적 당 밀도를 측정하여 포켓의 위치를 결정하였다. 포켓으로부터 특징 점까지의 Euclidean 거리를 계산하였고 이들을 크기 별로 정렬한 후, 비교 대상 단백질 데이터와 유사도(correlation)를 측정하였다.
특징 점들을 검출한 후 이들의 밀도를 측정하여 포켓의 위치를 계산 하였고, 포켓의 중앙으로부터 나머지 특징 점들 사이의 Euclidean 거리를 측정하였다. 측정된 거리를 크기 별로 정렬하고 이를 토대로 단백질 간 형상의 유사도를 측정 하였다. 시스템의 강인성을 측정하기 위해 4개의 단백질(1a7c_A, 1b8a_A, 1bef_A, 13pk_A)에 대해 voxel 좌표 값의 5~10% 에 해당되는 랜덤 잡음을 첨가한 후 원본 단백질과의 유사도를 측정하였을 때 95.
본 논문에서는 포켓의 형상 보다는 단백질 분자의 전체 형상 인식에 주안점을 둔다. 특징 점들을 검출한 후 이들의 밀도를 측정하여 포켓의 위치를 계산 하였고, 포켓의 중앙으로부터 나머지 특징 점들 사이의 Euclidean 거리를 측정하였다. 측정된 거리를 크기 별로 정렬하고 이를 토대로 단백질 간 형상의 유사도를 측정 하였다.
즉 Harris 검출기를 이용하여 단백질 분자의 특징 점을 계산하고 특징 점들의 단위 체적 당 밀도를 측정하여 포켓의 위치를 결정하였다. 포켓으로부터 특징 점까지의 Euclidean 거리를 계산하였고 이들을 크기 별로 정렬한 후, 비교 대상 단백질 데이터와 유사도(correlation)를 측정하였다. 제안된 알고리즘의 강인성을 측정하기 위해 난수 발생기를 이용하여 단백질 분자의 voxel 좌표를 5 ～ 10 %의 범위 내에서 임의로 이동 시켜 잡음을 첨가 하였다.

성능/효과

검출된 특징 점들은 단백질 분자의 외형을 묘사할 수 있는 참조점으로 사용될 수 있다. Voxelize된 단백질 분자에 Harris 검출기를 적용하였을 때 데이터의 변화율이 높은 영역의 중심 좌표가 특징 점으로 결정 되었고, 이러한 특징 점들은 단백질 분자 간 상호 결합 위치로 알려진^[11] 포켓(pocket) 영역에 높은 밀도로 분포됨을 알 수 있었다. 포켓의 위치 및 형상은 단백질 분자 전체의 형상과 더불어 단백질 분자의 결합 특성을 예측하기 위한 중요한 정보를 제공한다.
실험 결과 1a7c_A, 1bef_A, 13pk_A, 1b8_A의 경우 각각 98 %, 92%, 96%, 96% 의 인식률을 보였다. 따라서 본 연구에서 사용한 4개의 단백질 분자에 대해서 평균 95.5 %의 높은 정확도로 형상을 인식 할 수 있었다.
Harris 검출기는 지역영역 데이터 분포에 기반 하여 특징 점을 검출 하므로 단백질 데이터에 약간의 잡음 혹은 변형이 추가 된다고 하더라도 커다란 오차 없이 특징 점 들을 구해낼 수 있었다. 따라서 좌표 값의 이동에 의해 왜곡된 단백질 분자에 대해서도 95.5 % 의 높은 인식률로 동종 단백질을 인식할 수 있었다. 생물학적인 측면에서 외형이 유사한 단백질끼리 서로 결합하는 특성을 가지고 있으므로 본 연구는 단백질 분자의 결합 특성을 예측하는데 유용하게 사용될 수 있을 것이고 이로 인하여 생물학적 실험에 소요되는 비용을 절감할 수 있을 것으로 판단된다.
측정된 거리를 크기 별로 정렬하고 이를 토대로 단백질 간 형상의 유사도를 측정 하였다. 시스템의 강인성을 측정하기 위해 4개의 단백질(1a7c_A, 1b8a_A, 1bef_A, 13pk_A)에 대해 voxel 좌표 값의 5~10% 에 해당되는 랜덤 잡음을 첨가한 후 원본 단백질과의 유사도를 측정하였을 때 95.5% 의 높은 비율로 동종 단백질 분자의 형상을 인식할 수 있었다.
그림에서 (*)로 표시된 것은 원본 단백질과 왜곡된 단백질 간의 correlation을 나타내고 (o)로 표시된 데이터는 실험에 사용된 원본 단백질과 다른 19개의 이종 단백질간의 correlation을 나타낸다. 실험 결과 1a7c_A, 1bef_A, 13pk_A, 1b8_A의 경우 각각 98 %, 92%, 96%, 96% 의 인식률을 보였다. 따라서 본 연구에서 사용한 4개의 단백질 분자에 대해서 평균 95.
각 단백질의 전체 voxel 데이터를 40x40x40, 25x25x25, 20x20x20, 10x10x10, 8x8x8, 4x4x4, 2x2x2 의 cube 로 분할하였을 때, 각 영역에 대하여 존재하는 특징점의 개수를 측정하였고, cube의 크기 별 가장 밀도가 높은 cube 대한 특징 점의 밀도를 그림5 에 표현 하였다. 실험 결과 분할된 voxel cube의 크기가 4x4x4일 때 포켓의 중앙 위치를 가장 정확히 표현함을 알 수 있었다. 따라서 4x4x4로 분할되었을 때 가장 밀도가 높은 voxel cube를 선택하고, 이 영역에 포함된 특징 점들의 좌표들을 산술 평균하여 포켓의 위치로 결정하였다.

후속연구

5 % 의 높은 인식률로 동종 단백질을 인식할 수 있었다. 생물학적인 측면에서 외형이 유사한 단백질끼리 서로 결합하는 특성을 가지고 있으므로 본 연구는 단백질 분자의 결합 특성을 예측하는데 유용하게 사용될 수 있을 것이고 이로 인하여 생물학적 실험에 소요되는 비용을 절감할 수 있을 것으로 판단된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	Harris 검출기의 활용도는 무엇인가?	단백질 분자는 포켓 위치에서 유사한 형상을 갖는 다른 분자와 결합되며, 포켓은 단백질 분자의 형상을 묘사하기 위한 참조 점으로 사용될 수 있다. Harris 검출기는 2 차원이나 3차원 객체의 특징 점을 검출하기 위해 널리 사용된다. 특징 점들은 데이터의 변화율이 높은 영역과 포켓 영역에서 발견된다.
	3차원 객체 인식이란 무엇인가?	3차원 객체 인식은 원하는 객체를 데이터베이스로 부터 찾아내고 추출하는 일련의 과정을 말한다. 3차원 데이터는 2차원에 비하여 데이터 량은 증가하지만 다량의 정보를 정확하게 제공할 수 있다.
	3차원 객체 인식이 단순한 객체의 추출뿐 아니라 단백질과 같은 생체 분자의 외형을 인식하여 생화학적 특성을 예측하는 Bio-informatics의 한 분야에도 적용할 수 있는 이유는 무엇인가?	3차원 객체 인식은 원하는 객체를 데이터베이스로 부터 찾아내고 추출하는 일련의 과정을 말한다. 3차원 데이터는 2차원에 비하여 데이터 량은 증가하지만 다량의 정보를 정확하게 제공할 수 있다. 따라서 단순한 객체의 추출뿐 아니라 단백질과 같은 생체 분자의 외형을 인식하여 생화학적 특성을 예측하는 Bio-informatics의 한 분야에도 적용할 수 있다[1].

참고문헌 (13)

Rita Casadio, Gene Myers," Algorithms in Bioinformatics: 5th International Workshop WABI Mallorca, Spain, Oct. 3-6, Springer, 2005.
James C. Whisstock and Arthur M. Lesk, Prediction of protein function from protein Sequence and structure, Quarterly Reviews of Biophysics vol. 36, pp. 307 - 340 March, 2003.

상세보기
Robert Osada et al, "Shape Distributions", ACM Transactions on Graphics, Vol. 21, No. 4, Pages 807 - 832. October, 2002.

상세보기
Benjamin Bustos, "Using Entropy Impurity for Improved 3D Object Similarity Search", IEEE International Conference onMultimediaandExpo (ICME),2004.
Ryutarou Ohbuchi, "Salient Local Visual Features for Shape-Based 3D Model Retrieval", Proc. IEEE International Conference on Shape Modeling and Applications (SMI''08), Stony Brook University, June 4 - 6, 2008.
Evgeny Ivanko and Denis Perevalov," Q- Gram Statistics Descriptor in 3D Shape Classification", LNCS 3687, pp. 360 - .367, 2005.
Ding-Yun Chen, Xiao-Pei Tian, Yu-Te Shen and Ming Ouhyoung, "On Visual Similarity Based 3D Model Retrieval", EUROGRAPHICS Vol. 22, No.3, 2003.
Ceyhun Burak Akgul,"Multivariate Density-Based 3D Shape Descriptors",IEEE International Conference on Shape Modeling and Applications SMI, 2007.
Mihael Ankerst et al, "3D Shape Histograms for Similarity Search and Classification in spatial Databases ", Proc. 6th International Symposium on Spatial Databases (SSD''99), Hong Kong, China, July 1999. Lecture Notes in Computer Science.
D. V. Vranic and D. Saupe, "3D Shape Descriptor Based on 3D Fourier Transform", CVSSP, pp. 271- 274. September, 2001.
Brice Hoffman et al, "A new Protein binding pocket similarity measure based on comparison of clouds of atoms in 3D: application to ligand prediction", BMC Bioinformatics, Nov., 2010.
Fredrik Viksten, Klas Nordberg, and Mikael Kalms, "Point-of-Interest Detection for Range Data", IEEE international conference on Pattern Recognition(ICPR), Dec., 2008.
C. Schmid, R. Mohr, and C. Bauckhage, Evaluation of interest point detectors. International Journal of Computer Vision, 37(2):151 - 172, June 2000.

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증