[논문]다양한 아미노산 속성을 이용한 단백질 상호작용 예측

최일영; 정유진

문제 정의

이 논문에서는, 아미노산의 속성 중 '소수성'에 기반한 단백질 상호작용 예측 살험올 확장하여 실제 예측에 쓰이게 될 다른 종 간의 상호작용 예측을 다양한 아미노산의 속성조합을 통해 얻어진 511가지의 실험 결과를 비교했다. 다양한 속성을 사용한 실험을 통해 SVM 올 사용한 단백질 상호작용 예측에 높은 예측율을 보이는 속성 올 발견하기 위한 실험이었다.
이 논문에서는, 아미노산의 속성 중 '소수성'에 기반한 단백질 상호작용 예측 살험올 확장하여 실제 예측에 쓰이게 될 다른 종 간의 상호작용 예측을 다양한 아미노산의 속성조합을 통해 얻어진 511가지의 실험 결과를 비교했다. 다양한 속성을 사용한 실험을 통해 SVM 올 사용한 단백질 상호작용 예측에 높은 예측율을 보이는 속성 올 발견하기 위한 실험이었다. 이 논문을 통해 '방향성'이 H.

제안 방법

최근 Support Vector Machine(SVM)[l]올 단백질 상호작용의 예측에 활용하기 위한 연구가 활발하다[2丄 SVM의 학습데이터와 예측데이터에 따라 예측결과가 크게 차이가 나는데, 이 논문에서는 '소수성'이 특정 대상에 국한하여 높은 예측율을 나타냄 올 보이고, 9가지 아미노산의 속성 올 조합한 511가지 속성(2匕1)의 조합을 예측시스템에 적용하였다. 이 실험의 결과로 '방향성'올 사용한 예측시스템이 높은 확률을 보였다.
상호작용데이 터에서 단백질의 DIP 고유번호를 전체 단백질 시퀀스에서 찾아 DIP 고유번호로 된 단백질 상호작용 쌍 올 단백질 시퀀스의 쌍으로 변환한다. 분석시스템에 아미노산의 속성의 511가지 조합을 적용하기 위해 자동으로 아미노 산속 성의 조합을 만들어 내고 그에 맞는 데이터를 만들어내 는 프로그램을 사용했다.[그림 1]은 예측시스템의 데이터를 가공하는 방법 올 간단하게 나타낸 그림이다.
coli를 DIP에서 가져와 사용하였다. 소수성을 사용한 예측시스템이 十east, 를 대상으로 한 실험에서 높은 예측율을 보였는데 같은 시스템의 학습과 분석대상을 바꾸고, SVM 학습 및 검증 데 이 터의 가공 시에 511가지의 속성을 적용하였다.
coli의 단백질 상호작용 데이터는 단백질 시퀀스를 포함하고 있지 않기 때문에 전체 단백질의 시퀀스를 가지고 있는 데이터가 필요하다. 우선 DIP의 상호작용 데이터에서 단백질 쌍의 DIP고 유 번호를 가져와 DIP의 시퀀스 파일에서 DIP 고유번호에 해당하는 시퀀스를 얻어오고, fasta format으로 된 단백질의 시퀀스를 한 문자씩 읽어 해당 아미노산의 특성에 따라 SVM 데이터로 가공을 한다. 아미노산의■ 종류별로 9가지 대표적인 속성을 정리한 자료에 따라 "속성이 존재 “ 또는 "속성이 없음”으로 나타낸다.
'소수성'을 사용한 가공은 단백질의 상호작용에 중요한 영향을 미친다고 알려져 있는 기존의 지식을 예측데이터의 가공에 적용한 방법이다. 하지만 이번 실험에서는 위 9가지 속성으로 생성 가능한 모든 부분집합(Power Set), 총 511가지(2, T)의 속성의 조합을 사용하여 예측시스템에 적용하였다. Hpyroli와 E.
511가지 실험데이터의 학습과 예측을 자동화하기 위한 프로그램을 개발했다.
예측시스템의 학습 방법, 단백질 쌍의 조합 방법, 싱호작 용하지 않는 데이터의 생성방법 등에 따라 여러 예측방법이 있을 수 있지만, 기존의 yeast를 대상으로 '소수성'을예측시스템에서 높은 예측율을 나타낸 점을 고려하여, 실험대상과 속성만을 변화 시켜 이번 실험에 적용하였다.[그림 2]는 'yeast'의 소수성을 사용한 실험의 결과이다.

대상 데이터

하지만 이번 실험에서는 위 9가지 속성으로 생성 가능한 모든 부분집합(Power Set), 총 511가지(2, T)의 속성의 조합을 사용하여 예측시스템에 적용하였다. Hpyroli와 E.coli의 상호작용 데이터는 전체 단백질 시퀀스로부터 시퀀스를 얻어오고, 511가지의 속성조합에 따라 가공한 후 각각 SVM 학습 데이터와, 예측 데이터로 사용한다. SVM의 학습을 위해서는 '상호작용 단백질 데이터'와 '상호작용하지 않는 단백질 데이터'가 필요한데, '상호작용하지 않는 단백질 데이터'의 경우는 DIP에서 별도로 제공하지 않기 때문에, Random 방식으로 존재하지 않는 단백질 상호작용 데이터를 생성하여 사용하였다.
coli의 상호작용 데이터는 전체 단백질 시퀀스로부터 시퀀스를 얻어오고, 511가지의 속성조합에 따라 가공한 후 각각 SVM 학습 데이터와, 예측 데이터로 사용한다. SVM의 학습을 위해서는 '상호작용 단백질 데이터'와 '상호작용하지 않는 단백질 데이터'가 필요한데, '상호작용하지 않는 단백질 데이터'의 경우는 DIP에서 별도로 제공하지 않기 때문에, Random 방식으로 존재하지 않는 단백질 상호작용 데이터를 생성하여 사용하였다.
이 논문에서 사용된 SVM 프로그램은 'Tiny SVM'(1) 울 사용하였고, 예측을 위한 데이터는 종간의 유사도가 높은 것으로 알려진 H.pylori와 E.coli를 DIP에서 가져와 사용하였다. 소수성을 사용한 예측시스템이 十east, 를 대상으로 한 실험에서 높은 예측율을 보였는데 같은 시스템의 학습과 분석대상을 바꾸고, SVM 학습 및 검증 데 이 터의 가공 시에 511가지의 속성을 적용하였다.

데이터처리

정확한 예측율을 구하기 위해 상호작용이 알려진 E.coli의 데이터를 예측에 적용하고 실제 상호작용 데이터와 비교하여 확률을 계산한다.[표 2]는 아미노산의 속성에 해당하는 약자를 정리한 표이다.

성능/효과

최근 Support Vector Machine(SVM)[l]올 단백질 상호작용의 예측에 활용하기 위한 연구가 활발하다[2丄 SVM의 학습데이터와 예측데이터에 따라 예측결과가 크게 차이가 나는데, 이 논문에서는 '소수성'이 특정 대상에 국한하여 높은 예측율을 나타냄 올 보이고, 9가지 아미노산의 속성 올 조합한 511가지 속성(2匕1)의 조합을 예측시스템에 적용하였다. 이 실험의 결과로 '방향성'올 사용한 예측시스템이 높은 확률을 보였다.
511개의 속성을 조합한 실험에서 기존의 '소수성'올 사용한 데이터의 가공법이 H.pyroli와 E.coli에서는 비교적 낮은 수치를 나타냄을 알 수 있다. '방향성'올 사용한 데 이 터의 가공이, 소수성'을 사용한 데이터의 가공보다 훨씬 더 높은 예측율을 나타내는데 '방향성'은 단백질 상호 작용의 중요한 역할을 한다고 알려지지 않은 속성이다.

후속연구

c이i간의 예측에서 높은 예측율을 보이는 것 올 확인할 수 있는데, 여기에는 두 상호작용 단백질 쌍의 결합방법, 상호작용하지 않는 데이터의 정의 등과 같이 학습, 검증 데이터의 가공법에 따라 실험 결과가 달라질 수 있다. 이번 실험을 통해 얻어진 '방향성이라는 아미노산의 속성도 H.pyroli, E.coli 간의 예측에서만 높은 확률을 나타낼 수도 웃I지만, 더 많은 실험을 통해 발견해 봐야 할 문제이다.
H.pyroli, E.coli의 실험과 yeast의 실험에서와 같이 각각의 대상에 맞는 속성을 발견하는 것도 앞으로의 상호 작용예측에 많은 도움이 될 수 있을 것이며, SVM을 사용한 더 높은 예측율올 보이는 시스템의 구현과 실제 적용을 위하여 다양한 환경요인 올 바꿔가며 실험하기 위한 계획 올 하고 있다. 앞으로 yeast에서의 511가지 조합속성에 대한 실험을 진행할 예정이며, 집쥐-사람 간의 실험도 진행할 예정이다.
coli의 실험과 yeast의 실험에서와 같이 각각의 대상에 맞는 속성을 발견하는 것도 앞으로의 상호 작용예측에 많은 도움이 될 수 있을 것이며, SVM을 사용한 더 높은 예측율올 보이는 시스템의 구현과 실제 적용을 위하여 다양한 환경요인 올 바꿔가며 실험하기 위한 계획 올 하고 있다. 앞으로 yeast에서의 511가지 조합속성에 대한 실험을 진행할 예정이며, 집쥐-사람 간의 실험도 진행할 예정이다.

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

[국내논문] 다양한 아미노산 속성을 이용한 단백질 상호작용 예측
Predicting Protein-Protein Interactions Using Various Amino Acid Properties 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

[국내논문] 다양한 아미노산 속성을 이용한 단백질 상호작용 예측 Predicting Protein-Protein Interactions Using Various Amino Acid Properties 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

[국내논문] 다양한 아미노산 속성을 이용한 단백질 상호작용 예측
Predicting Protein-Protein Interactions Using Various Amino Acid Properties 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper