선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 많다는 점이다. 본 논문은 miRNA와 그것과 결합하는 miRNA target 간의 특징을 분석하여 정확하고 효율적으로 target 유전자를 찾고자 하였다. 신경망의 입력을 다르게 주어 miRNA seed의 자유 에너지가 결합 여부를 결정 짓는 매우 중요한 요소라는 것을 실험을 통해 증명하였고, 결합 여부를 결정 짓는 것은 결합 염기 쌍의 수보다 결합 자유 에너지가 더 영항을 미치는 것을 알아냈다.
제안 방법
- 5kcal/mole 이하인 서열이다. Rfam 데이터베이스의 예쁜 꼬마 선충의 miRNA 117개와 그것과 결합하는 mRNA 3' UTR pair 데이터로 결과를 검증하였다.
- 본 논문에서는 자유 에너지를 기준으로서 열을 검 색하고 G/U wobble pair정보와 seed 의 자유, 에너지 정보를 이용함으로써 이러한 단점들을 극복하고 정확하고 효율적으로 miRNA와 mRNA3, UTR의 특성을(Matures) 분석하여 예쁜 꼬마 선충 (Caenorhabditis elegans) mRNA의 3, UTR에서 miRNA가 결합하는 영역을 예측하였다. 신경망은 복잡한 비 선형의 데이터를 잘 분리해낼 뿐만 아니라 불완전하고 잡음이 많은 입력에 강하고 특정 분야의 지식이나 휴리스틱 데이터를 네트워크 구조에 쉽게 반영할 수 있어 miRNA target 예즉에 적합하다.
- 성능을 검증하기 위하여 실험을 통해 증명된 miRNA:mRNA pair를 가지고 평가해보았다. 표 5는 다른 종에서의 miRNA를 예측해본 결과이다.
- 구조를 나타낸다. 양성 데이터 (positive data)와 음성 데이터 (negative data) 1199쌍을 miRNA target이 갖는 특성에 따라 weka3.4 라는 프로그램을 통해 학습하고 target 서열 인지 아닌지를 예측하였다. 5-fold cross validation 결과, 민감도 0.
- 뢰도인 PPV가 61%로 나타났다. 어떤 요인이 가장 성능에 영향을 미치는지 알아보기 위해 한가지 이상 특성을 제외하고 신경망을 실행시켜 보았다. 랜덤 시드를 1000으로 설정한 다섯 가지 실험결과를 그림5에서 보여준다.
- 양성 학습 데이터 34쌍, 음성 학습 데이터 1165쌍, 총 1199개의 샘플을 입력으로 사용하였으며 입력 노드는 8개, 출력 노드는 ' 예/아니오' 의 2개이다. 은닉층은 한 개 층에 5개의 노드를 갖게 하였으며 학습율, 모멘텀, Decay는 각각 0.3, 0.2, False를 선택하였다. 속성 정규화 (normalizeAttributes)는 True, Resete True, 학습회수는 700회 (epoch) 확인 데이터 (validationSetSize) 는 0 확인 임계값은 (validationThreshold) 20회로 설정하였다.
대상 데이터
- 랜덤 하게 생성한 miRNA 18~25mer와 3, UTR (ftp://bighost.ba.itb.cnr.it/pub/Embnet/ Database/UTR/data/) 사이에 결합하는 pair 를 1165쌍 추출하여 음성 데이터 (negative data) 로 사용하였다. 음성 데이터의 추출 기준은 랜덤 서열의 5, 영역과 5개 이상 상보적으로 결합하고 그 영역을 포함하여 열역학적으로 가장 안정적인(thermodynamic) 서열을 찾아 그것의 자유 에너지가 일정 임계점인 -8.
- 4를 사용하였으며 miRNA target인지 아닌지를 판별하는 분류기로는 다층 퍼셉트론 (MLP: multi-layer perceptron)을 사용하였다. 양성 학습 데이터 34쌍, 음성 학습 데이터 1165쌍, 총 1199개의 샘플을 입력으로 사용하였으며 입력 노드는 8개, 출력 노드는 ' 예/아니오' 의 2개이다. 은닉층은 한 개 층에 5개의 노드를 갖게 하였으며 학습율, 모멘텀, Decay는 각각 0.
- 학습 데이터 (training data)중 양성 데이터(positive data)는 실험적으로 증명된 34개의 예쁜 꼬마 선충 miRNA:target site 쌍을 사용하였다 (lin-14/ cel-let-7, lin-14/ cel-lin-4, lin-28/ cel-lin-4, lin-28/ cel-let-7, lin-41/ cel-lin-4, lin-41/ cel-let-7, daf-12/ cel-let-7, hbl/ cel-lin-4, hbl/ cel-let-7, hbl/cel-miR-69 ) [9][14].
데이터처리
- 속성 정규화 (normalizeAttributes)는 True, Resete True, 학습회수는 700회 (epoch) 확인 데이터 (validationSetSize) 는 0 확인 임계값은 (validationThreshold) 20회로 설정하였다. 위와 같은 설정 하에 5-fold cross validation으로 결과를 평가하였다.
이론/모형
- 신경망 학습에는 Weka3.4를 사용하였으며 miRNA target인지 아닌지를 판별하는 분류기로는 다층 퍼셉트론 (MLP: multi-layer perceptron)을 사용하였다. 양성 학습 데이터 34쌍, 음성 학습 데이터 1165쌍, 총 1199개의 샘플을 입력으로 사용하였으며 입력 노드는 8개, 출력 노드는 ' 예/아니오' 의 2개이다.
성능/효과
- 4 라는 프로그램을 통해 학습하고 target 서열 인지 아닌지를 예측하였다. 5-fold cross validation 결과, 민감도 0.59는 특수도 는 0.99, 결과에 대한 신뢰도인 VPP는 0.61 으로 평가되었다.
- miRNA 가 작용하는 target 서열의 패턴을 분석한 결과 miRNA 5, 영역의 보존도가 매우 높아 miRNA와 작용하는데 핵심 요소라고 판단하였다. miRNA seed 의 서열에 돌연변이를 (mutation) 생성하여 서열 구조와 자유 에너지의 변화에 따른 miRNA target 서열의 발현량을 보면 자유 에너지가 약 -6kcal/mole 이상일 때 활성화 되는 것으로 나타나 이를 뒷받침 하였다 [1 이.
- 위 결과를 통해 자유 에너지가 낮을 때 seed 부분의 결합 구조가 결과에 가장 큰영 향을 미 치 고 G:U wooble pair, miRNA: target 의 작용점 개 수, miRNA: target의 결 합하는 염기의 수는 false positive를 급격히 낮춘다는 것을 알 수 있다. 그래프에는 나타나지 않았지만 miRNA seed의 특성 중 miRNA seed에서 상보적으로 결합하는 염기 쌍의 개수보다 miRNA seed의 자유 에너지가 더 큰 영향을 미치는 것으로 나타났다.
- 본 논문은 miRNA와 그것과 결합하는 miRNA target 간의 특징을 분석하여 정확하고 효율적으로 target 유전자를 찾고자 하였다. 신경망의 입력을 다르게 주어 miRNA seed의 자유 에너지가 결합 여부를 결정 짓는 매우 중요한 요소라는 것을 실험을 통해 증명하였고, 결합 여부를 결정 짓는 것은 결합 염기 쌍의 수보다 결합 자유 에너지가 더 영항을 미치는 것을 알아냈다. 그러므로 G/C와 같은 단단한 결합이 많을수록 안정적이고 G/U wobble pair 는 특히 miRNAseed영역에는 거의 나타나지 않는다.
- miRNA 약 22nt 가 mRNA 3, UTR 영역 중 화학적으로 친화력을 (affinity) 를 갖는 영역에 결합하여 mRNA의 번역을 억제한다. 실험으로 검증된 miRNA target의 서열을 살펴보면 miRNA 3, 영역의 일치(match), miRNA의 bulge, mRNA 3, -UIR의 bulge, miRNA 5' 영역의 일치, miRNA 5' flanking 영역 등의 구조를 공통적으로 갖는다.
- 하지 만 음성 데이터를 만들 때 miRNA target 만큼의 안정적인 자유 에너지를 갖는 것만 추출한 것을 고려하면 위 결과만 가지고 영향을 미치지 않는다고 결론 내릴 수 없다. 위 결과를 통해 자유 에너지가 낮을 때 seed 부분의 결합 구조가 결과에 가장 큰영 향을 미 치 고 G:U wooble pair, miRNA: target 의 작용점 개 수, miRNA: target의 결 합하는 염기의 수는 false positive를 급격히 낮춘다는 것을 알 수 있다. 그래프에는 나타나지 않았지만 miRNA seed의 특성 중 miRNA seed에서 상보적으로 결합하는 염기 쌍의 개수보다 miRNA seed의 자유 에너지가 더 큰 영향을 미치는 것으로 나타났다.
후속연구
- miRNA가 target 유전자에 어떻게 작용하는지 기작에 관한 연구는 miRNA/target의 구조적인 지식을 더욱 풍부하게 하여 miRNA target의 기능을 밝히는데 더 정확한 예측을 가능하게 할 것으로 생각된다. 또한 다양한 케이스 스터디를 통해 환경이나 특정 상황의 지식을 학습하는 것도 좋은 성과가 있을 것으로 기대된다.
- 또한 다양한 케이스 스터디를 통해 환경이나 특정 상황의 지식을 학습하는 것도 좋은 성과가 있을 것으로 기대된다.
- 또한 miRNA target여부는 miRNA와 mRNA 발현 정도, 생화학적인 방법, 유전적인 분석 등을 종합적으로 고려해서 판단해야 한다. 또한 지금까지 제시된 다른 방법들의 실험 결과와 통계적인 비교를 더 자세히 하거나 실제 실험을 통해 성능 검증이 필요한 것으로 보인다.
- 신경망의 입력으로는 본 논문이 제시한 여덟 가지 특성 외에도 mRNA 3' UTR의 결합 부위 근처의 프로파일, mRNA 3' UTR의종간 보존도, miRNA/mRNA 결합 구조를 루프나 bluge의 크기와 위치, 이 중 서열의 길이 같은 2차 구조를 더 자세히 수치화 하여 입력에 추가할 수 있고 siRNA 생성 프로그램을 miRNA target 예측에 이용될 수도 있다. 또한 miRNA target여부는 miRNA와 mRNA 발현 정도, 생화학적인 방법, 유전적인 분석 등을 종합적으로 고려해서 판단해야 한다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.