Microsoft Word - deim2010_epijene-fss_.doc

Size: px

Start display at page:

Download "Microsoft Word - deim2010_epijene-fss_.doc"

しげじろうとこたに
5 years ago
Views:

1 DEIM Forum 2010 E4-3 位置情報を考慮したエピジェネティクス関連領域の予測と属性部分集合選択に関する研究東原正智法政大学理工学部経営システム工学科東京都小金井市梶野町あらまし本研究ではエピジェネティクス現象を解析した配列データを対象として位置情報の特徴ベクトルを用いその化学反応に対して機械学習による判別分析を行ったその際属性選択の評価指標に randomforestで生成されるmean Decrease Gini indexを用いそのランキングに従い属性部分集合探索を行ったまた DEWS2008での頻度データでの実験との比較も行った実験結果からモチーフ抽出した配列の組合せによる位置をカウントした特徴ベクトルが高い予測率を示すことがわかったキーワードエピジェネティクス randomforest 属性部分集合選択 1. はじめに 1.1. エピジェネティクス関連領域エピジェネティクスとは遺伝子発現においてセントラルドグマに従った DNA からの発現ばかりではなく化学的な制御によっても発現が制御されるという現象である細胞核内では遺伝情報が書き込まれた DNA 鎖である DNA がすべて収まっているたとえば人間の全 DNA 配列は 23 本の DNA 鎖染色体で構成され 2 倍体である体細胞には 46 本の染色体があり全体で約 6000Mb 直線にすると 2m に及びその長さの DNA が 10μ 程度の細胞核内に高圧縮に折畳まれている真核生物の染色体 DNA はクロマチンという構造をとっているクロマチンはヌクレオソームの繰り返し構造がらせん状につながったものでヌクレオソームは H2A H2B H3 H4 ヒストンタンパク質が 2 分子からなるヒストンオクタマーに 146 塩基対の DNA が約 2 回転巻付いている構造をとっているヒストンはリジンなどの塩基対アミノ酸をもつタンパク質で酸性である DNA と堅く結合しておりヒストンの N 末端はヒストンテールと呼ばれこの部位はいろいろな化学的な修飾を受ける近年転写誘導の際にヒストン修飾によるクロマチン構造変換が重要な働きをすることがわかってきているさらにヒストンはアセチル化メチル化リン酸化などの修飾をうけ転写の制御サイレンシングクロマチ凝縮などを引き起こすことが知られているその他 DNA のメチル化クロマチン構造の形成とモデリング転写因子のネットワークもエピジェネティクスを担う役割と考えられており活発に研究されている分野である 1.2. 先行研究機械学習によるエピジェネティクス関連領域の予測の先行研究としては Pham らによる SVM を用いた研究がある [2] 彼らは RBF カーネルを用いて予測を行う一方で別途 polynomial kernel で学習した際の重みを用いて特徴のランキングを行うことにより特徴ベクトルの属性の重要性を解析しているさらに Tran らによる研究では Conditional Random Field を用いて予測を行い SVM との比較を行っている [3] 多変量解析の主成分分析と SVM を組合せマイクロアレイ解析から癌の判別をする研究 [10] も行われているまた先のような研究ではしばしば高次元データになるため属性選択に関する研究も活発に行われている新島ら [9] は化合物とタンパク質の相互作用や活性の予測ばかりではなくそれらに関与する属性を抽出する数理的手法としてカーネル空間での化合物タンパク質の活性空間を表現しその空間で特徴抽出する手法を提案している本研究で用いる学習アルゴリズムの randomforest が複雑な相関性や高い相関のある属性の処理に適していることを示す研究 [8] もある 2. 手法本研究では Pokholok らのデータを用い位置情報に着目した特徴ベクトルを用いるこの特徴ベクトルを randomforest というアンサンブル学習を用いて Mean Decrease Gini index を用いて判別に重要な属性を求め

る次に全属性から属性選択をし機械学習を行う機械学習には support vector machine を用いる先の研究 [5,6] ではおこなった頻度データとの結果との比較も行う図 1. 正例 (H3) の塩基の位置毎の頻度 (Weblogo による出力 ) 横軸は塩基の位置縦軸は頻度のパーセント表示図 2.

Randomforest 3) すべての結果を組み合わせて ( 回帰の問題では平 Random Forest[11,12] は Breiman により提案された均分類は多数決 ) 新しい予測分類器を構築すアンサンブル学習の 1 つである RandomForest はリるサンプリングに bootstrap を用いサブデータを作成し本研究では R のパッケージである

2 る次に全属性から属性選択をし機械学習を行う機械学習には support vector machine を用いる先の研究 [5,6] ではおこなった頻度データとの結果との比較も行う図 1. 正例 (H3) の塩基の位置毎の頻度 (Weblogo による出力 ) 横軸は塩基の位置縦軸は頻度のパーセント表示図 2. 負例 (H3) の塩基の位置毎の頻度 (Weblogo による出力 ) 横軸は塩基の位置縦軸は頻度のパーセント表示 2.1. Randomforest 3) すべての結果を組み合わせて ( 回帰の問題では平 Random Forest[11,12] は Breiman により提案された均分類は多数決 ) 新しい予測分類器を構築すアンサンブル学習の 1 つである RandomForest はリるサンプリングに bootstrap を用いサブデータを作成し本研究では R のパッケージである randomforest を用それぞれのサブデータセットの決定木を組み合わせるいた方法である RandomForest のアルゴリズムは 2.2. support vector machine 1) 与えられたデータセットから数組のブートストラ support vector machine は R のパッケージであるップデータを作成する kernlab を用いたカーネルは RBF カーネルでパラ 2) 各々のブートストラップサンプルデータを用いてメータ μ =0.01 である枝刈りされていない最大の決定回帰木を作成す 2.3. 属性選択属性部分集合選択る分岐のノードとしてはランダムサンプリン属性選択のアルゴリズムは次のように行ったグされた変数の中で最も良いものを選択する 1)randomForest の学習で Mean Dcrease Gini index を

3 計算する 2) 1) で得られた ranking に従って属性数を減らし SVM によって学習を行う探索の方向は後ろ向き探索で探索の戦略としては全属性で最高の予測率を出した属性の近傍の組合せを考え再度学習を行う 3. 計算機実験計算機は大学内の PC クラスターを用いた CPU は AMD Opteron Dual Processor Model 250(2.4GHz) 32 メモリ :4GB OS は SuSE Linux Enterprise Server 8, SCore 5.8 である 3.1. データセット Pokholok[1] が発表しているクロマチンデータは出芽酵母のゲノム DNA 上の異なる部分領域 (41282 箇所 ) に対して 14 種類の実験データを提供しているデータは DNA 上の 1 点という形で ( 染色体の先頭からの位置 ) という形式で表現されている Pham らはこの 14 種類のデータのうち 10 種類 ( 表 1 では 5 種類のみ表示 ) に対して指定された 1 点を中心として 200, 500, 1000 という長さの部分配列をとり固定長 k=3~11( 塩基 ) の k-gram の出現頻度を sliding window でカウントしたものを特徴ベクトルとしこれを用いて予測実験を行っている [6] 実験結果は公開されている [13] 本研究ではこの提供されている長さ 500 の部分配列を実験に用いたラベルは連続量で表現されている Pokholok らのデータを正規化し 1.2 以上の場合は正例のラベル 0.8 以下の場合は負例のラベルを付与した 3.2. 位置を考慮した特徴ベクトル本研究では長さ 500 のクロマチンデータを次のようにその位置でカウントした特徴ベクトル 1: 1 塩基 { A,T,G,C} をそれぞれの位置でカウント特徴ベクトル 2: 3 つの塩基の組合せ { AAA,AAT,,CCC} の 64 種類の組合せをそれぞれの位置でカウント特徴ベクトル 3: Gini 係数で ranking した上位からの組合せを位置でカウント ( 例 )AAA,TTT が上位であれば {AAA}or{TTT} で位置をカウント位置毎の塩基の頻度を図 1, 図 2 では Weblogo[7] を用いて表示した特徴ベクトル 2 は 3 塩基の先頭の位置で 1 とカウントしたため最後の 499,500 の位置は 0 となる特徴ベクトル 3 では上位の 3 塩基の組合せを用いた図 3 で具体的な特徴ベクトルの例を示す ( 配列データ ) ATCTTTATCTAT.ATCGGGGAG ( 位置 ) ( 特徴ベクトル 1) (A の位置でカウントした場合 ) (1,0,0,0,0,0,0,1,0,0,0,.1,0) ( 特徴ベクトル 2) (ATC の位置でカウントした場合 ) (1,0,0,0,0,0,1,0,...0,0) ( 特徴ベクトル 3) (ATC または CTT の位置でカウントした場合 ) (1,0,1,0,0,0,1,0,....0,0,0) 図 3 特徴ベクトルの作成 3.3. 実験結果 ( feature ranking) randomforest での Gini index の値によって位置データをランキングした図 4 では特徴ベクトル 1 の 1 塩基の属性のランキングを表し図 5 では特徴ベクトル 2 の先の研究で行った頻度データで H3 の場合の順位の高い属性を選びその位置を示した図 6 では特徴ベクトル 3 の実験結果である 3.4. 実験結果 ( 属性部分集合選択 ) 属性部分集合選択の計算機実験では頻度データ位置データを用いて比較する表 3 では H3 の位置データの randomforest での予測率の上位 10 属性をあげており頻度データは Gini index の上位 10 属性をあげている表 4 は 1 塩基での randomforest での予測率であるデータセット H3 H4 H3K9ac H3K14ac H4ac 説明 H3 ヒストンの存在確率 H4 ヒストンの存在確率 H3 ヒストンのアミノ酸配列上で先頭から 9 番目のリジン (K9) がアセチル化されている確率 H3K14 がアセチル化されている確率アセチル化 H4 の確率表 1. データセットデータセット正例負例 H H H3K9ac H3K14ac H4ac 表 2. データセットの正例と負例の数

4 実験では 5 つのクロマチンデータを用いたが最も予測率の高い結果を示す H3 の場合のみ詳述する 4. まとめ図 4 は 1 塩基で位置毎にカウントした特徴ベクトルでの Gini index であり判別分析に対する寄与を表している表 5 は各 1 塩基で判別に寄与している位置を表している図 5 は先の頻度データで判別の寄与が高い 3 塩基 TTT AAA TAA TTA ATA の位置毎の Gini index を表している表 6 はその 5 つの塩基が位置での学習での判別での寄与の順位を表している表 4,5 では頻度データで上位の予測率を示す属性のと位置データでの上位の予測率のデータは同じものが多いことを示している今後の課題としては頻度データでの判別分析での寄与率の高い属性の組合せの位置での特徴ベクトルが高い予測率を示したより精度の高いモチーフ抽出の手法の利用があげられる今回塩基の長さが長さ 1 と長さ 3 の場合のみ考えているがモチーフ抽出により長さを固定してない塩基の抽出を行う予定である配列の曖昧さはモチーフ抽出の過程で解消されると考えている複数の塩基の共起が考慮されていない今後の課題とする謝辞コメンテータの先生方から共起解析または配列データの曖昧さについてのコメントを頂きましたともに大きなテーマであり今回の論文には追加できませんでしたが次回の研究には反映させる予定です貴重なコメントを頂きありがとうございました文献 [1] D.K. Pokholok et al., Genome-wide Map of Nucleosome Acetylation and Methylation, Cell, Vol.122, pp [2] T.H. Pham, D.H. Tran, T.B. Ho, K. Satou and G. Valiente, Qualitatively Predicting Acetylation and Methylation Areas in DNA sequences, Genome Informatics, Vol.16, No.2, 2005, pp [3] D.H. Tran, T.H. Pham, K. Satou and T.B. Ho, Conditional Random Fields for Predicting and Analyzing Histone Occupancy, Acetylation and Methylation Areas in DNA Sequences, Applications of Evolutionary Computing, Lecture Notes in Computer Science, Vol.3907, 2006, pp [4] 元田浩津本周作山口高平沼尾正行データマイニングの基礎オーム社. [5] 東原正智, 佐藤賢二, RandomForest を用いたエピジェネティクス関連領域の予測と属性選択, 電子情報通信学会第 19 回データ工学ワークショップ, 第 6 回日本データベース学会年次大会 (DEWS '08), 電子情報通信学会第 19 回データ工学ワークショップ (DEWS 2008) 論文集. [6] Higashihara,M., Rebolledo-Mendez,J.D., Yamada,Y., Satou,K.Application of a Feature Selection Method t 順位位置データで (3 塩基 ) 予測率 ( r f ) 頻度データ 1 TTT 66.59% TTT 2 AAA 65.72% AAA 3 ATA 58.45% TAA 4 TAT 58.37% TTA 5 GCC 58.21% ATA 6 CTG 57.41% TAT 7 ATT 57.15% AAT 8 TGG 56.87% CCA 9 GGC 56.87% ATT 10 TAA 56.70% TCG 表 3. H3 の位置データと頻度データの比較 ( 3 塩基 ) 予測率位置データ (1 塩基 ) ( r f ) A 61.86% T 60.75% G 65.56% C 65.66% 表 4.H3 の位置データと頻度データの比較 ( 1 塩基 ) 特徴ベクトル 3 予測率 Top7 属性 79.19% 頻度ベクトル (rf) H3(64) 79.56% H3(31) 80.59% 頻度ベクトル (SVM) H3(64) 84.93% H3(59) 86.21% 表 5.H3 の頻度ベクトルと位置情報のベクトルの判別分析での予測率 [7] o Nucleosome Data: Accuracy Improvement and Comparison with Other Methods,WSEAS Transactions on Biology and Biomedicine, Vol.5, Issue 5, pp , [8] [9] C. Strobl, A.-L. Boulesteix, T. Kneib, T. Augustin, and A. Zeileis, Conditional variable importance for random forests. BMC Bioinformatics, [10] 新島聡, 奥野恭史, 化合物 - タンパク質活性空間における特徴選択,IBIS2009. [11] Fabian Model, Péter Adorján, Alexander Olek et al,feature selection for DNA methylation based cancer classification,bioinformatics Vol. 17 no ,Pages p.157-p.164. [12] Breiman.L, Random Forests, Machine Learning, vol.45, pp.5-23, [13] Trevor Hastie,Robert Tibshirani,Jerome Friedman, The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Second Edition,Springer.

5 図 4 位置ごとに 1 塩基をカウントした属性の正規化した Gini index A T G C 順位位置順位位置順位位置順位位置表 5. 位置ごとの属性の順位 ( Gini 係数 ) 図 5. 位置ごとに 3 塩基をカウントした属性の正規化した Gini index TTT AAA TAA TTA ATA 順位位置順位位置順位位置順位位置順位位置表 6. 頻度データで上位から 3 塩基の属性の位置での

6 図 6. H3 の属性部分集合で最も高い予測率の位置毎の正規化した Gini index {TTT,AAA,TAA,TTA,ATA,TAT,ATT}

人工知能補足_池村

人工知能補足_池村私くしにとって生涯の指針となっている木村先生の教え 1. 想定外の発見の重要性 à unsupervised data mining for big data 2. 技術への信頼と技術開発の重要性 2D gel à BLSOM trna の二次元分離 : Methods in Enzymology 長さに依存する分離想定外の米国での Post Doc の時代高分離能長さに依存しない分離 29