초록 ▼

연구의 목적 및 내용
본 연구는 기계학습 방법론에 기반을 둔 확률 모델과 추론 및 학습 방법을 이용하여 유전자 발현 패턴을 예측하는 통합 모델을 개발하는 데 궁극적 목표를 두고 있다. 이를 위해 본 연구에서 제시하는 세분화된 목표는 다음과 같다 : (1) 기존 DNA 모티프 발굴을 위한 확률 모델을 보완하고, (2) 전사 후 조절 단계에서 RNA 조절 모티프 발굴, (3) 전사조절에 유발하는 단백체 정량 프로그램 개발, (4) 마지막으로 전사 조절에 관여하는 분자들 간의 상호조절 네트워크를 구성하는 알고리즘을 개발한다. 본 연

연구의 목적 및 내용
본 연구는 기계학습 방법론에 기반을 둔 확률 모델과 추론 및 학습 방법을 이용하여 유전자 발현 패턴을 예측하는 통합 모델을 개발하는 데 궁극적 목표를 두고 있다. 이를 위해 본 연구에서 제시하는 세분화된 목표는 다음과 같다 : (1) 기존 DNA 모티프 발굴을 위한 확률 모델을 보완하고, (2) 전사 후 조절 단계에서 RNA 조절 모티프 발굴, (3) 전사조절에 유발하는 단백체 정량 프로그램 개발, (4) 마지막으로 전사 조절에 관여하는 분자들 간의 상호조절 네트워크를 구성하는 알고리즘을 개발한다. 본 연구는 통해서 세포의 유전자 발현 조절 메커니즘을 이해하고 나아가 유전자 발현을 예측할 수 있는 교두보를 마련하였다.
연구결과
본 연구의 결과는 크게 4부분으로 나누어 볼 수 있다.
(1) DNA 모티프 발굴을 위한 확률 모델 개발
본 연구 그룹에는 전사 개시 단계의 유전자 발현 조절 모델을 개발하였다. 이와 함께 각전사 인자의 DNA 모티프에 대한 라이브러리를 구축하고, DNA-protein 결합 데이터로부터 확률 그래프 모델을 개발하고 성능을 검증하였다. 여기에 비모수 베이지안 모델을 이용하여 모티프의 수를 예측하는 알고리즘을 개발하며, 종합적으로 전사 인자 DNA 모티프라이브러리를 구축했다.
(2) RNA 조절 모티프 발굴을 위한 확률 모델 개발
전사 후 조절 단계에 있어 중요한 역할을 하는 mRNA와 micro RNA 사이의 결합에 대해 서열 기반의 모티프 확률 모델을 개발하였고 성능을 검증하였다.
(3) 단백체 정량을 위한 확률 모델 개발
유전자에 작용하여 실제로 전사를 수행하는 단백질의 정량을 위한 확률 모델을 개발하고 검증 실험을 진행하였다.
(4) 고집적 데이터 분석을 통한 다이나믹 네트워크 모델링 기법 개발
고집적 데이터로부터 상호작용 네트워크를 구축하는 알고리즘들의 최신 동향을 분석 정리하였다. 또한 여러 시간대에서 얻은 전사체 데이터를 분석하여 시간에 따라서 변화하는 상호작용 네트워크를 구축하는 알고리즘을 개발하였다.
연구결과의 활용계획
유전자 발현 과정의 복잡성을 고려했을 때, 본 연구에서 얻어진 결과물들은 향후 유전자 발현 기작을 이해하고 나아가 발현을 예측하기 위한 교두보가 된다. DNA와 RNA 모티프연구는 전사 조절 네트워크를 규명하는 데 필요하고, 단백체 정량은 조건 특이적으로 나타나는 전사 조절 예측에 도움이 된다. 또한 다이나믹 네트워크 모델링 기법은 앞의 방법들에서 얻어진 정보를 활용하여 조건 특이적인 상호작용을 예측하여 개별적 생물학적 문제에 맞는 상호조절 네트워크의 구축이 가능하며 이것은 유전자 발현 양 및 보다 큰 단위의 생물학 현상을 예측하기 위한 단서가 된다. 본 연구를 통해 세계적으로도 희귀한 네트워크 모델링 및 통계적 기계학습 기반의 예측 모델 기술을 다수 확보하였으며, 생명 현상에 대한 보다 폭넓은 이해와 학제간 감각을 가진 전문 연구인력을 양성하였다.

Abstract ▼

Purpose&contents
Our ultimate goal is to develop a unified model for prediction of gene expression patterns using probabilistic models, and to provide related inference and learning algorithms based on machine learning methods. For this goal we propose subdivided objectives as following : (1) Dev

Purpose&contents
Our ultimate goal is to develop a unified model for prediction of gene expression patterns using probabilistic models, and to provide related inference and learning algorithms based on machine learning methods. For this goal we propose subdivided objectives as following : (1) Developing probabilistic models for DNA motif discovery, (2) Discovering the RNA regulatory motifs in post-transcriptional level, (3) developing probabilistic model for protein quantification, and (4) developing algorithm for reconstructing dynamic networks from high-throughput data. Our research is a bridgehead for understanding and predicting regulation mechanisms of gene expression in cellular systems.
Result
Results of our research can be subdivided into four parts according to the objectives.
(1) Developing probabilistic models for DNA motif discovery
We developed models for DNA-protein interaction at transcriptional initiation. Further, we constructed DNA motif library for each transcription factors, and we developed and validated a probabilistic model for discovering DNA motifs using protein-DNA interaction data. Finally, we developed an algorithm for estimating number of motifs based on nonparameteric method and constructed DNA motif library.
(2) Discovering the RNA regulatory motifs in post-transcriptional level We developed and validated motif discovery algorithms for finding interactions between mRNAs and micro RNAs which is an important regulation mechanism at post-transcriptional level.
(3)Developing probabilistic model for protein quantification We developed and validated a probabilistic model for protein quantification.
(4) Developing algorithm for reconstruction of dynamic networks from high-throughput data
We analyzed previous studies for reconstructing dynamic networks using high-throughput data. Then, we developed an algorithm that can reconstruct time-evolving network from time-series high-throughput data.
Expected Contribution
Taking into account the complex regulation of gene expression, results of our research can be a bridgehead for understanding the mechanism and predicting gene expression. Discovering DNA and RNA motifs are required for reconstructing transcriptional regulatory network and protein quantification can help to understand condition specific transcriptional regulation. Further, modeling dynamic networks can reconstruct condition-specific networks that can answer specific biological questions using above information. Through this research, we secure valuable methods for reconstructing networks and prediction methods based on statistical approach, and we trained researchers who can perform interdisciplinary research with biologists.

목차 Contents

• 중견연구자지원사업(핵심연구) 최종보고서 ... 1
• 목차 ... 3
• 연구계획 요약문 ... 4
• 연구결과 요약문 ... 5
• 한글요약문 ... 5
• SUMMARY ... 6
• 연구내용 및 결과 ... 7
• 1. 연구개발과제의개요 ... 7
• 2. 국내외 기술개발 현황 ... 11
• 3. 연구수행 내용 및 결과 ... 18
• 4. 목표달성도 및 관련분야에의 기여도 ... 26
• 5. 연구결과의 활용계획 ... 27
• 6. 연구과정에서 수집한 해외과학기술정보 ... 29
• 7. 주관연구책임자 대표적 연구실적 ... 31
• 8. 참고문헌 ... 32
• 9. 연구성과 ... 35
• 10. 기타사항 ... 38