초록

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

특정한 기능을 하는 DNA 조각은 특정한 염기 서열들을 가진다. 이를 이용하여 특정 조각의 DNA 서열을 위치 점수 행렬을 이용하여 표현할 수 있다. 하지만 찾고자 하는 DNA 부분들이 완전히 밝혀진 것이 아닐 수 있다. 따라서 현재 밝혀진 정보만을 이용하여 위치 점수 행렬을 만들 경우, 실제 서얼 패턴이 아닌 편중된 정보가 얻어질 수 있다. 따라서 본 논문에서는 위치 점수 행렬의 혼합 모델을 이용하여, 각각의 특정 군집들을 대표할 수 있는 행렬들을 구분하여 구성하였다. 본 논문에서는 약 22개의 염기로 구성된 microRNA 서열 중, 초반부의 8개의 염기 서열정보를 이용하여, 이들 위치의 서열상의 특성을 확인해 보고자 하였다. miRNA 서열을 대표하기 위한 위치 점수 행렬들은 구분하여 만들고, EM 알고리즘을 이용하여 학습한다. 학습 결과 얻어진 혼합 모델과 은닉 변수를 통해 microRNA들을 군집화하고, 각각의 군집에 속한 microRNA 서열의 특성을 확인한다.

특정한 기능을 하는 DNA 조각은 특정한 염기 서열들을 가진다. 이를 이용하여 특정 조각의 DNA 서열을 위치 점수 행렬을 이용하여 표현할 수 있다. 하지만 찾고자 하는 DNA 부분들이 완전히 밝혀진 것이 아닐 수 있다. 따라서 현재 밝혀진 정보만을 이용하여 위치 점수 행렬을 만들 경우, 실제 서얼 패턴이 아닌 편중된 정보가 얻어질 수 있다. 따라서 본 논문에서는 위치 점수 행렬의 혼합 모델을 이용하여, 각각의 특정 군집들을 대표할 수 있는 행렬들을 구분하여 구성하였다. 본 논문에서는 약 22개의 염기로 구성된 microRNA 서열 중, 초반부의 8개의 염기 서열정보를 이용하여, 이들 위치의 서열상의 특성을 확인해 보고자 하였다. miRNA 서열을 대표하기 위한 위치 점수 행렬들은 구분하여 만들고, EM 알고리즘을 이용하여 학습한다. 학습 결과 얻어진 혼합 모델과 은닉 변수를 통해 microRNA들을 군집화하고, 각각의 군집에 속한 microRNA 서열의 특성을 확인한다.

AI 본문요약

엑셀 다운로드 AI-Helper

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

• 연구 주제
• 연구 방법
• 연구 결과

문제 정의

• 인간 유 전체 사업(human genome project) 등을 통해 유전체에 전체 대한 염기 서열이 거의 밝혀지기는 하였으나, 전체 유전체에서 특정한 기능을 하는 부분을 찾고, 이에 대한 염기 서열상의 특성을 확인하고 문석하는 작업은 계속 진행되고 있다. 본 논문에서는 현재까지 밝혀진 인간의 microRNA (m旧NA) 서열을 이용하여 서열의 특성을 확인해보고자 하였다.
• m旧NA들은 길이가 18~25로 다양한 크기로 존재하나, 본 실험에서는 1번부터 8번 위치의 서열만을 사용하였다. miRNA의 2~7번 위치는 s曲d라 불리는 부분으로, 목표 유전자(target gene) 등을 결정하는 데에 중요한 서열이므로, 본 실험에서는 seed 부위의 공통적인 특성을 확인하고자 하였다. m旧NA 서열은 Sanger institute의 miRBase(http://microma.
• 본 논문에서는 EM 알고리즘을 통해 혼합 모델을 학습하고, 군집화 결과를 이용하여 m旧NA 서열의 특성을 확인해보았다. 현재까지 알려져 있는 정보를 그대로 이용할 경우, 서열상의 공통적인 특성을 확인하기 힘들다.
• 또한 m旧NA들이 각기 다른 유전자의 발현을 조절할 수 있으므로, 이들의 특성 몰 하나로 통합하여 분석하는 것 역시 좋은 방법은 아닐 것이다. 따라서 본 논문에서는 위치 점수 행렬 (position weight matrix, PWM)의 혼합 모델(mixtwe mod이)을 이용하여, m旧NA의 서열상의 특성을 대표하기 위한, 각 군집(이니ste「)별로 각기 다른 위치 점수 행렬을 구성한다. 위치 점수 행렬은 일반적으로 유전자 전사 조 절 인자(t「ansc「ipti아] factor)들의 DNA상의 결합 위치 (binding site)를 표현하는 데에 많이 사용되고 있다[4].

제안 방법

• 본 논문에서는 서열상의 공통적인 특성을 확인하기 위해 각 위치 점수 행렬들에 가중치(weight)를 부여한 선 형 결합(linea「combination)과, 특정 서열에 대한 표현 정도를 설명하기 위한 은닉 변수(hidden variable)를 사용한다. EM (expectation-maximization) 알고리즘을 통해 파라미터(pa「amete「)들을 학습하고, 그 결과 얻어진 은닉 변수의 값을 이용하여 miRNA 서열의 군집화 (이나 ste「ing) 가 가능하다.
• EM (expectation-maximization) 알고리즘을 통해 파라미터(pa「amete「)들을 학습하고, 그 결과 얻어진 은닉 변수의 값을 이용하여 miRNA 서열의 군집화 (이나 ste「ing) 가 가능하다. 각 군집들의 서열을 통해, miRNA 서열의 특성들을 확인해본다.
• 본 논문에서는 m 값을 5로 하여 5개의 위치 점수 행렬과 이에 대한 가중치 값을 이용하여 실험하였다. 가중치 4/의 초기값은 0과 1 사이의 값으로 랜덤으로 생성되었다.

대상 데이터

• 가중치 4/의 초기값은 0과 1 사이의 값으로 랜덤으로 생성되었다. 또한 위치 점수 행렬의 초기값은 인간 염색체 19번에서 크기가 8인 서열믈 임의로 300개씩 추출하여 이에 대한 위치 점수 행렬 한돌어 사용하였다. 위치 점수 행렬의 초기값의 생성에 이용된 인간 염색체 서열은 UCSC의 Genome browser (http://genome.
• 또한 위치 점수 행렬의 초기값은 인간 염색체 19번에서 크기가 8인 서열믈 임의로 300개씩 추출하여 이에 대한 위치 점수 행렬 한돌어 사용하였다. 위치 점수 행렬의 초기값의 생성에 이용된 인간 염색체 서열은 UCSC의 Genome browser (http://genome.ucsc.edu/)에서 받아 사용하였다.
• m旧NA들은 길이가 18~25로 다양한 크기로 존재하나, 본 실험에서는 1번부터 8번 위치의 서열만을 사용하였다. miRNA의 2~7번 위치는 s曲d라 불리는 부분으로, 목표 유전자(target gene) 등을 결정하는 데에 중요한 서열이므로, 본 실험에서는 seed 부위의 공통적인 특성을 확인하고자 하였다.
• miRNA의 2~7번 위치는 s曲d라 불리는 부분으로, 목표 유전자(target gene) 등을 결정하는 데에 중요한 서열이므로, 본 실험에서는 seed 부위의 공통적인 특성을 확인하고자 하였다. m旧NA 서열은 Sanger institute의 miRBase(http://microma.sanger.ac.uk/sequences/) 에서 받아 이용하였다.

데이터처리

• 각 군집에 대해 평가하기 위해, 각 군집에 있는 서열 데이터의 모든 쌍에 대해서 해밍 거리 (Hamming distance)를 계산하고, 이 결과를 기존의 전체 m旧NA 서열 전체에 대한 결과와 비교 검정하였다. 해밍 거리는 각 위치에서의 값이 같으면 0, 다르면 1로 둔다.
• 두서 열이 서로 유사할수록。에 가까운 정수 값이 거리가 되 고, 길이가 8인 두 서열이 서로 전혀 다른 서열인 경우 길이가 8의 값을 가지게 된다. 전체 m旧NA에 대한 해밍 거리와 각 군집 내의 miRNA들의 해밍 거리의 두 샘플에 대한 검정은 t-검정(t-test)을 이용하였고, 그 결과는 표 1011 보인다. 각 군집 모두 매우 낮은 p-valuee 보이는 것을 알 수 있으며, 서로 유사한 서열끼리 군집화되어 있다는 사실를 확인할 수 있다.

이론/모형

• 식 (1) 에서 X는 전체 서열 정보를 의미한다. 혼합 모델에서 각 파라미터들의 값은 EM 알고리즘을 이용하여 학습된다. 즉, EM 알고리즘을 이용하여 위치 점수 행렬과 각각의 가중치에 대한 추정값을 계산하는 것이다.

후속연구

• 따라서 현재 알려져 있는 m旧NA의 수는, 예측되는 것의 절반에도 못 미치는 것으로, 이 정보만을 이용하여 m旧NA 서열의 특성을 단정 지어 이야기할 수는 없다. 또한 m旧NA들이 각기 다른 유전자의 발현을 조절할 수 있으므로, 이들의 특성 몰 하나로 통합하여 분석하는 것 역시 좋은 방법은 아닐 것이다. 따라서 본 논문에서는 위치 점수 행렬 (position weight matrix, PWM)의 혼합 모델(mixtwe mod이)을 이용하여, m旧NA의 서열상의 특성을 대표하기 위한, 각 군집(이니ste「)별로 각기 다른 위치 점수 행렬을 구성한다.
• 향후 군집의 수를 변화시켜가면서, 보다 명확한 miRNA 서열상의 특성을 찾는 연구를 진행할 필요가 있다. 그리고 학습 결과 얻어진 각 군집에 속한 m旧NA들 간의 위치 정보 및 訊뇽 등에 해한 상호 관계에 대한 연구도 필요하다.
• 향후 군집의 수를 변화시켜가면서, 보다 명확한 miRNA 서열상의 특성을 찾는 연구를 진행할 필요가 있다. 그리고 학습 결과 얻어진 각 군집에 속한 m旧NA들 간의 위치 정보 및 訊뇽 등에 해한 상호 관계에 대한 연구도 필요하다. 또한 miRNA 서열상의 특성에 따른 목표 유전자들과의 연관 관계를 분석하는 연구 역시 중요한 일이 될 것이다.
• 그리고 학습 결과 얻어진 각 군집에 속한 m旧NA들 간의 위치 정보 및 訊뇽 등에 해한 상호 관계에 대한 연구도 필요하다. 또한 miRNA 서열상의 특성에 따른 목표 유전자들과의 연관 관계를 분석하는 연구 역시 중요한 일이 될 것이다.

본문요약 정보가 도움이 되었나요? 예 아니오 제출

이 논문을 인용한 문헌

더보기