[논문]앙상블 기계학습을 통한 유전자 발현 조절 기작 분석 동향

유승학; 백상헌; 윤성로

앙상블 기계학습을 통한 유전자 발현 조절 기작 분석 동향 원문보기

정보과학회지 = Communications of the Korean Institute of Information Scientists and Engineers, v.32 no.10, 2014년, pp.38 - 43

유승학 (서울대학교) , 백상헌 (서울대학교) , 윤성로 (서울대학교)

초록이 없습니다.

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 유전자 발현 조절 관련 분야에서 대표적인 모티브 탐색과 miRNA 표적 예측 연구를 선정하여 이들 분야의 계산적 방식들의 특성 및 앙상블 학습 적용 기법들의 동향을 조사하였다. 본 논문의 2 절에서는 모티브 탐색 알고리즘에 앙상블 학습이 적용된 연구들의 그룹 별 특성들을 살펴보고 3절에서는 miRNA 표적 예측 알고리즘의 연구 동향과 앙상블 학습이 적용된 사례를 조사하며 4절에서는 결론을 맺는다.
본 논문에서는 유전자 발현 조절의 대표적 연구 분야인 모티 브 탐색과 miRNA 표적 예측 분야에서 이루어지고 있는 앙상블 학습 관련 연구 동향을 조사하였다. 모티브 탐색 방식은 성능적인 측면에선 기존의 생물학적 특성을 이용한 알고리즘들이 낮은 민감도 (sensitivity)와 특이도(specificity)를 보여 앙상블 학습 후에도 큰 성능향상을 이룰 수 없었지만 알고리즘 측면에선 기존 탐색기에서 발견하지 못한 새로운 모티브를 예측할 수 있는 수준까지 연구가 진행되고 있다.

제안 방법

ComiR는 기존의 TargetScan, miRanda 등의 알고리즘들이 구조적 특성만을 이용하고 expression profile을 예측에 사용하지 않았다는 점과 복수의 miRNA를 사용하여 표적을 찾지 않았다는 단점을 극복하기 위해 제안된 알고리즘이다. ComiR는 血Randa, PITA, TargetScan, mirSVR[50] 의 결과와 expression profile의 특성을 SVM (Support Vector Machine)을 이용하여 결합한다. SMILE 은 앙상블 학습에 사용할 실험적으로 검증된 negative sample이 없다는 상황을 극복하기 위해 TargetScan, miRanda, DIANA-microT, PITA, miRTarget2, Pic Tar 의결 과를 이용해 negative 가능성이 높은 데이터를 독자적인 알고리즘을 통해 생성하여 앙상블 학습에 사용한다.
MotifVbter [25]는 MITRA[26] Weeder, SPACE[27], AlignACE, ANN- Spec[28], BioProspector, Improbizer[29], MDScan, MEME, MotifSampler로 총 10개의 모티브 탐색 알고리즘들의 결과를 이용하여 모티브들 간의 유사성을 측정하고 스코어를 매겨 이들을 기반으로 결합부위의 가능성이 높은 부위를 찾아낸다.
RGSMiner는 Gibbs Sampler[20], MEME, AlignACE 의 세 가지 알고리즘을 이용하여 결과를 도출 한 뒤 각각의 결과를 상관관계분석 기반의 CompareACE[8] 스코어 계산을 통해 중복되는 모티브를 통합한다. WebMotifs는 AlignACE, MDScan, MEME, Weeder[21-22] 을 사용하여 결과를 수집한 뒤 각 모티브의 스코어 (hypergeometric enrichment score)를 계산하여 중요도를 결정하고 이를 통한 군집화로 유사한 모티브를 하나로 통합한다.

이론/모형

RGSMiner는 Gibbs Sampler[20], MEME, AlignACE 의 세 가지 알고리즘을 이용하여 결과를 도출 한 뒤 각각의 결과를 상관관계분석 기반의 CompareACE[8] 스코어 계산을 통해 중복되는 모티브를 통합한다. WebMotifs는 AlignACE, MDScan, MEME, Weeder[21-22] 을 사용하여 결과를 수집한 뒤 각 모티브의 스코어 (hypergeometric enrichment score)를 계산하여 중요도를 결정하고 이를 통한 군집화로 유사한 모티브를 하나로 통합한다.

성능/효과

제거되지 않을 수 있다. 기존에 제안된 de novo 방식 모티브 탐색 알고리즘들의 성능상의 단점 중 하나는 false positive rate가 높다는 것이다. 이러한 상황에서 개별적 알고리즘의 결과의 공통부분을 최종결과로 선택하는 것은 false positive 역시 최종 모티브로 선별될 확률이 높음을 의미한다.
SMILE 은 앙상블 학습에 사용할 실험적으로 검증된 negative sample이 없다는 상황을 극복하기 위해 TargetScan, miRanda, DIANA-microT, PITA, miRTarget2, Pic Tar 의결 과를 이용해 negative 가능성이 높은 데이터를 독자적인 알고리즘을 통해 생성하여 앙상블 학습에 사용한다. 이를 통해 대표적인 기존 알고리즘들이 사용한 특성들을 모두 반영하면서 학습 데이터에 영향이 적은 신뢰성 높은 모델을 생성하였다.

후속연구

기존의 제안된 대부분의 계산적 방식들은 규명된 생물학적 특성의 서로 다른 부분 집합을 이용하기 때문에 정보 손실을 일으키고 그 결과 동일한 입력에 대해서 서로 동일한 입력에 대해 서로 다른 결과를 보인다. 따라서 각 개별적 계산 방식을 하나의 모델로 보고 앙상블 학습을 적용시킴으로써 통합한다면 간접적으로 넓은 범위의 생물학적 특성을 이용하여 성능을 개선시키는 효과를 얻을 수 있을 것이다.
왜냐하면 mRNA와 결합할 때 bulge, non-canonical base pail' 등으로 인해 변수가 많기 때문이다. 또한 miRNA-mRNA 결합이 이루어지는 정확한 메커니즘이 완벽하게 밝혀지지 않아 그동안 다양한 miRNA 표적 예측 알고리즘들이 제안되어 왔지만 대부분 일부 밝혀진 구조적 특성들만을 이용한다는 한계점이 있다.
또한 단순 앙상블 방식과 군집화 방식 모두 기존 알고리즘 결과의 합집합 또는 교집합을 이용하기 때문에 새로운 모티브를 발견할 수 없다는 본질적 한계점을 가지고 있다. 심지어 기존 모티브 탐색 알고리즘들의 성능을 감안한다면 단순히 결과를 통합하는 것으로는 극적인 성능향상을 기대할 수 없다.
이들은 기존의 알고리즘들에서 사용한 구조적 특성 혹은 표적 예측 모델의 장단점을 고려하지 않고 단순히 기존 알고리즘들을 통한 결과를 통합한다. 또한 복수의 알고리즘에서 발견될수록 true positive 가능성이 높아지는 스코어 기법을 적용하여 본질적으로 기존 알고리즘들에서 중복되어 발생하는 false positive 를 효과적으로 제거하지 못하는 한계가 있다.
있다. 반면에 본질적으로 기존 알고리즘에서 발견하지 못한 새로운 miRNA-mRNA 쌍을 예측할 수 없다는 한계를 지니므로 이를 개선할 수 있는 연구가 필요하다.

참고문헌 (50)

Das, Modan K., and Ho-Kwok Dai. "A survey of DNA motif finding algorithms." BMC bioinformatics 8. Suppl 7 (2007): S21.
Warner, Jason B., et al. "Systematic identification of mammalian regulatory motifs' target genes and functions." Nature methods 5.4 (2008): 347-353.

상세보기
Tumer, Kagan, and Joydeep Ghosh. "Error correlation and error reduction in ensemble classifiers." Connection science 8.3-4 (1996): 385-404.

상세보기
Tompa, Martin, et al. "Assessing computational tools for the discovery of transcription factor binding sites." Nature biotechnology 23.1 (2005): 137-144.

상세보기
Che, Dongsheng, et al. "BEST: binding-site estimation suite of tools." Bioinformatics 21.12 (2005): 2909-2911.

상세보기
Chakravarty, A., et al. "A parameter-free algorithm for improved de novo identification of transcription factor binding sites." BMC Bioinformatics 8 (2007): 29.

상세보기
Carlson, Jonathan M., et al. "SCOPE: a web server for practical de novo motif discovery." Nucleic acids research 35.suppl 2 (2007): W259-W264.

상세보기
Hughes, Jason D., et al. "Computational identification of Cis-regulatory elements associated with groups of functionally related genes in Saccharomyces cerevisiae." Journal of molecular biology 296.5 (2000): 1205-1214.

상세보기
Liu, Xiaole, Douglas L. Brutlag, and Jun S. Liu. "BioProspector: discovering conserved DNA motifs in upstream regulatory regions of co-expressed genes." Pacific symposium on biocomputing. Vol. 6. No. 2001. 2001.
Hertz, Gerald Z., and Gary D. Stormo. "Identifying DNA and protein patterns with statistically significant alignments of multiple sequences." Bioinformatics 15.7 (1999): 563-577.

상세보기
Bailey, Timothy L., and Charles Elkan. "Fitting a mixture model by expectation maximization to discover motifs in bipolymers." (1994): 28-36.
Jensen, Shane T., and Jun S. Liu. "BioOptimizer: a Bayesian scoring function approach to motif discovery." Bioinformatics 20.10 (2004): 1557-1564.

상세보기
Carlson, Jonathan M., Arijit Chakravarty, and Robert H. Gross. "BEAM: a beam search algorithm for the identification of cis-regulatory elements in groups of genes." Journal of Computational Biology 13.3 (2006): 686-701.

상세보기
Carlson, Jonathan M., et al. "Bounded search for de novo identification of degenerate cis-regulatory elements." BMC bioinformatics 7.1 (2006): 254.

상세보기
Chakravarty, Arijit, et al. "SPACER: identification of cis-regulatory elements with non-contiguous critical residues." Bioinformatics 23.8 (2007): 1029-1031.

상세보기
Huber, Bertrand R., and Martha L. Bulyk. "Meta-analysis discovery of tissue-specific DNA sequence motifs from mammalian gene expression data." BMC bioinformatics 7.1 (2006): 229.

상세보기
Huang, Hsien Da, et al. "Identifying transcriptional regulatory sites in the human genome using an integrated system." Nucleic acids research 32.6 (2004): 1948-1956.

상세보기
Romer, Katherine A, Guy-Richard Kayombya, and Ernest Fraenkel. "WebMOTIFS: automated discovery, filtering and scoring of DNA sequence motifs using multiple programs and Bayesian approaches." Nucleic acids research 35. suppl 2 (2007): W217-W220.

상세보기
Liu, X. Shirley, Douglas L. Brutlag, and Jun S. Liu. "An algorithm for finding protein - DNA binding sites with applications to chromatin-immunoprecipitation microarray experiments." Nature biotechnology 20.8 (2002): 835-839.

상세보기
Lawrence, Charles E., et al. "Detecting subtle sequence signals: a Gibbs sampling strategy for multiple alignment." science 262.5131 (1993): 208-214.

상세보기
Pavesi, Giulio, et al. "MoD Tools: regulatory motif discovery in nucleotide sequences from co-regulated or homologous genes." Nucleic acids research 34.suppl 2 (2006): W566-W570.

상세보기
Pavesi, Giulio, et al. "Weeder Web: discovery of transcription factor binding sites in a set of sequences from co-regulated genes." Nucleic acids research 32.suppl 2 (2004): W199-W203.

상세보기
Hu, Jianjun, Yifeng D. Yang, and Daisuke Kihara. "EMD: an ensemble algorithm for discovering regulatory motifs in DNA sequences." BMC bioinformatics 7.1 (2006): 342.

상세보기
Thijs, Gert, et al. "A Gibbs sampling method to detect overrepresented motifs in the upstream regions of coexpressed genes." Journal of Computational Biology 9.2 (2002): 447-464.

상세보기
Wijaya, Edward, et al. "MotifVoter: a novel ensemble method for fine-grained integration of generic motif finders." Bioinformatics 24.20 (2008): 2288-2295.

상세보기
Eskin, Eleazar, and Pavel A Pevzner. "Finding composite regulatory patterns in DNA sequences." Bioinformatics 18.suppl 1 (2002): S354-S363.

상세보기
Wijaya, Edward, et al. "Detection of generic spaced motifs using submotif pattern mining." Bioinformatics 23.12 (2007): 1476-1485.

상세보기
Workman, C. T., and G. D. Stormo. "ANN-Spec: a method for discovering transcription factor binding sites with improved specificity." Pac Symp Biocomput. Vol. 5. 2000.
Ao, Wanyuan, et al. "Environmentally induced foregut remodeling by PHA-4/FoxA and DAF-12/NHR." Science 305.5691 (2004): 1743-1746.

상세보기
Lewis, Benjamin P., et al. "Prediction of mammalian microRNA targets." Cell 115.7 (2003): 787-798.

상세보기
Enright, Anton J., et al. "MicroRNA targets in Drosophila." Genome biology 5.1 (2004): R1-R1.
Rehmsmeier, Marc, et al. "Fast and effective prediction of microRNA/target duplexes." Rna 10.10 (2004): 1507-1517.

상세보기
Maragkakis, Manolis, et al. "Accurate microRNA target prediction correlates with protein repression levels." BMC bioinformatics 10.1 (2009): 295.

상세보기
Wang, Xiaowei, and Issam M. E1 Naqa. "Prediction of both conserved and nonconserved microRNA targets in animals." Bioinformatics 24.3 (2008): 325-332.

상세보기
Kertesz, Michael, et al. "The role of site accessibility in microRNA target recognition." Nature genetics 39.10 (2007): 1278-1284.

상세보기
Grun, Dominic, et al. "microRNA target predictions across seven Drosophila species and comparison to mammalian targets." PLoS computational biology 1.1 (2005): e13.

상세보기
SaeTrom, O. L. A , OLASNOVE, and PALSAETROM. "Weighted sequence motifs as an improved seeding step in microRNA target prediction algorithms." Rna 11.7 (2005): 995-1003.

상세보기
Sturm, Marin, et al. "TargetSpy: a supervised machine learning approach for microRNA target prediction." BMC bioinformatics 11.1 (2010): 292.

상세보기
Bandyopadhyay, Sanghamitra, and Ramkrishna Mitra. "TargetMiner: microRNA target prediction with systematic identification of tissue-specific negative examples." Bioinformatics 25.20 (2009): 2625-2631.

상세보기
Friedman, Yitzhak, Guy Naamati, and Michal Linial. "MiRror: a combinatorial analysis web tool for ensembles of microRNAs and their targets." Bioinformatics 26.15 (2010): 1920-1921.

상세보기
Nam, Seungyoon, et al. "MicroRNA and mRNA integrated analysis (MMIA): a web tool for examining biological functions of microRNA expression." Nucleic acids research 37.suppl 2 (2009): W356-W362.

상세보기
Bisognin, Andrea, et al. "MAGIA2: from miRNA and genes expression data integrative analysis to microRNA - transcription factor mixed regulatory circuits (2012 update)." Nucleic acids research (2012): gks460.
Ding, Jiandong, et al. "Genome-wide search for miRNA-target interactions in Arabidopsis thaliana with an integrated approach." BMC genomics 13.Suppl 3 (2012): S3.
Xiao, Feifei, et al. "miRecords: an integrated resource for microRNA - target interactions." Nucleic acids research 37.suppl 1 (2009): 0105-0110.
Cho, Sooyoung, et al. "miRGator v2. 0: an integrated system for functional investigation of microRNAs." Nucleic acids research 39.suppl 1 (2011): D158-D162.

상세보기
Hsu, Paul WC, et al. "miRNAMap: genomic maps of microRNA genes and their target genes in mammalian genomes." Nucleic acids research 34.suppl 1 (2006): D135-D139.

상세보기
Alexiou, Panagiotis, et al. "miRGen 2.0: a database of microRNA genomic information and regulation." Nucleic acids research (2009): gkp888.
Coronnello, Claudia, and Panayiotis V. Benos. "ComiR: combinatorial microRNA target prediction tool." Nucleic acids research 41.W1 (2013): W159-W164.

상세보기
Yu, Seunghak, et al. "Ensemble learning can significantly improve human microRNA target prediction." Methods (2014).
Betel, Doron, et al. "Comprehensive modeling of microRNA targets predicts functional non-conserved and non-canonical sites." Genome biology 11.8 (2010): R90.

상세보기

저자의 다른 논문 :

LOADING...

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