जीनोम में बहुरूपता खोजने के लिए समर्थन वेक्टर विधि

2013 का एक लेख, "अगली पीढ़ी की अनुक्रमण डेटा से एकल-न्यूक्लियोटाइड बहुरूपताओं की पहचान के लिए एक समर्थन वेक्टर मशीन" (ओ'फॉलन, वुडरचैक-डोनह्यू, क्रॉकेट), सपोर्ट वेक्टर विधि (एसवीएम) का उपयोग करके जीनोम में पॉलीफॉर्म को निर्धारित करने के लिए एक नई विधि प्रस्तावित करता है। )। हालांकि 2011 के लेख "अगली पीढ़ी के डीएनए अनुक्रमण डेटा का उपयोग करके विविधता खोज और जीनोटाइपिंग के लिए एक रूपरेखा" पहले से ही एकल न्यूक्लियोटाइड बहुरूपताओं ( एसएनपी , स्नैप्स) को निर्धारित करने के लिए मशीन सीखने के तरीकों का उपयोग, एसवीएम के उपयोग के आधार पर एक दृष्टिकोण का वर्णन किया गया है। इस लेख में पहली बार।

जीनोम में बहुरूपताओं का निर्धारण महत्वपूर्ण है (उदाहरण के लिए, उर्फ जीडब्ल्यूएएस संघों के लिए जीनोम-वाइड खोज ), लेकिन एक गैर-तुच्छ कार्य। यह ध्यान में रखना होगा कि कई जीव विषमलैंगिक हैं, साथ ही साथ डेटा में गलत जानकारी हो सकती है।

एसएनपी निर्धारित करने के लिए मानक दृष्टिकोण संदर्भ (संदर्भ) जीनोम के संबंध में अनुक्रमण डेटा (रीड्स, जीनोम के टुकड़े) के संरेखण पर आधारित है। हालाँकि, रीड्स में त्रुटियाँ हो सकती हैं और संदर्भ के लिए सही ढंग से संरेखित नहीं की जा सकती हैं। चूंकि यह माना जाता है कि इस स्थिति में एक त्रुटि की घटना बहुरूपता की उपस्थिति की तुलना में अधिक दुर्लभ घटना है, इस मामले में सबसे सरल दृष्टिकोण कम आवृत्ति के साथ वेरिएंट को फ़िल्टर करना होगा। हालांकि, 2010 के एक लेख में "पूरे जीनोम अनुक्रमण के माध्यम से आम बीमारी में दुर्लभ वेरिएंट की भूमिकाओं को उजागर करना" यह दिखाया गया था कि <1% की आवृत्ति के साथ होने वाले दुर्लभ बहुरूपता कई बीमारियों पर सबसे अधिक प्रभाव डालते हैं। फ़्रिक्वेंसी-आधारित फ़िल्टरिंग दुर्लभ एसएनपी के लिए बड़ी संख्या में झूठे नकारात्मक को आकर्षित करेगा, इसलिए जीनोमिक विविधताएं निर्धारित करने के लिए अधिक संवेदनशील तरीके बनाने की आवश्यकता है।

जैसा कि लेख में संकेत दिया गया है, मशीन लर्निंग पर आधारित विधियों का लाभ यह है कि वे आपको विभिन्न कारकों को संयोजित करने की अनुमति देते हैं जो जीनोम में किसी दिए गए स्थान पर बहुरूपता की संभावना को प्रभावित करते हैं, जो कि बहुरूपता को दुर्लभ करने की विधि की संवेदनशीलता को बढ़ाता है।

अन्य मशीन सीखने के तरीकों के विपरीत (उदाहरण के लिए, उपरोक्त लेख में वर्णित सुदृढीकरण सीखने के दृष्टिकोण), एसवीएम को काफी कम प्रशिक्षण डेटा की आवश्यकता होती है।

यह आलेख एल्गोरिदम को लागू करने के लिए एक विस्तृत विधि का वर्णन नहीं करता है, लेकिन तकनीकी विवरण वाले अन्य लेखों के लिंक प्रदान करता है। एसवीएम एल्गोरिदम के कार्यान्वयन को प्रदान करने वाले एक मंच के रूप में, एलआईबीएसवीएम का उपयोग किया जाता है। LIBSVM के बारे में पहला प्रकाशन 2011 से शुरू होता है, और साइट पर अंतिम रिलीज़ 2013 को संदर्भित करता है। यह ध्यान दिया जाना चाहिए कि एसएएम या बीएएम फाइलें इनपुट के रूप में स्वीकार की जाती हैं, जो जैव सूचना विज्ञान के लिए एक सुविधाजनक और प्राकृतिक दृष्टिकोण की तरह लगता है। एल्गोरिथ्म के परिणामस्वरूप, एक वीसीएफ फ़ाइल उत्पन्न होती है।

मॉडल को प्रशिक्षित करने के लिए दो प्रकार के डेटा का उपयोग किया जाता है:

1. सच्चे बहुरूपता के अनुरूप संरेखण;
2. न्यूक्लियोटाइड कुछ पदों में बेमेल है जो बहुरूपता की उपस्थिति से जुड़ा नहीं है।

मुझे आश्चर्य है कि आप दूसरे प्रकार के अनुरूप डेटा कैसे एकत्र कर सकते हैं। लेखक एक उदाहरण के रूप में दो संभावित रणनीतियों का हवाला देते हैं:

1. गैटके के सर्वोत्तम अभ्यास दिशानिर्देशों का उपयोग करते हुए बहुरूपता की पहचान करें, जिसमें यूनिफाइंडगाइपर शामिल हैं । लेखकों ने उन स्नैप्स का इस्तेमाल किया जो केवल एक मामले में परिभाषित किए गए थे ( 1000 जेनोम्स प्रोजेक्ट डेटा में वर्णित स्नैप्स को छोड़कर), शेष लोगों ने बहुत कम स्तर के संरेखण गुणवत्ता वाले स्नैप को चुना।
2. लेखकों ने बहुरूपता का चयन किया जो 57 एक्सोम के स्थानीय डेटाबेस में कम से कम 8 बार होता है (जो 1000 जीनोम से डेटा के अनुरूप नहीं है)।

यह ध्यान दिया जाना चाहिए कि जीनोम के गैर-संचरित क्षेत्रों में भी बहुरूपता हो सकती है, इसलिए, यह संभव है कि एक्सोम के विश्लेषण से पूरी तरह से प्राप्त जानकारी के उपयोग से कुछ अशुद्धि हो सकती है।

प्राप्त आंकड़ों के आधार पर, प्रशिक्षण किया जाता है। लेख में कहा गया है कि प्रशिक्षण में एक हाइपरप्लेन के संख्यात्मक मापदंडों का निर्धारण करना शामिल है जो डेटा के दो वर्गों को अलग करता है जिस पर प्रशिक्षण किया जाता है।

यह भी दिलचस्प है कि मॉडल को प्रशिक्षित करने के लिए लेखकों द्वारा क्या विशेषताएं चुनी गई थीं। लेखकों ने मॉडल को प्रशिक्षित किया, जिसमें तीन विशेषताओं से मिलकर एक सेट शुरू हुआ। इसने एक बुरा परिणाम दिया, इसलिए कई संकेतों का विस्तार किया गया। इस प्रक्रिया को लेख में विस्तार से वर्णित नहीं किया गया है, और यह पूरी तरह से स्पष्ट नहीं है कि किस क्रम में लेखकों ने नई सुविधाओं को जोड़ा, क्योंकि यह स्पष्ट है कि वे सभी मौजूदा उप-विशेषताओं के माध्यम से सॉर्ट नहीं करते थे। कुल में, लेखकों ने 16 संकेतों की जांच की, उनमें रीड्स में त्रुटि की संभावना, रीड्स में न्यूक्लियोटाइड की औसत गुणवत्ता, इस स्थिति में न्यूक्लियोटाइड्स के गुणों का योग (पिछले दो ने कई संकेतों में जोड़े जाने पर कोई जवाब नहीं दिया), रीडिंग के संरेखण की गुणवत्ता (अंतिम रूप से) यह भी मॉडल में सुधार नहीं हुआ), एलील का संतुलन, आसन्न न्यूक्लियोटाइड की गुणवत्ता।

आलेख में दिए गए ग्राफ के अनुसार, एक विशिष्ट डेटा सेट NA12878 पर संवेदनशीलता और विशिष्टता में बहुरूपताओं को निर्धारित करने के लिए वर्णित विधि अन्य तरीकों से बेहतर है। विधि ने सभी सच्चे सकारात्मक का 95.6% निर्धारित किया है, जबकि अन्य विधियां: यूनिफाइडगेंटर, यूनिफाइंडगॉइपर + वीक्यूएसआर , एसएटम्स और फ्रीबाय ने क्रमशः 90.6%, 94.1%, 89.5% और 88.7% निर्धारित किया है।



वर्णित दृष्टिकोण की कमियों के बीच, यह ध्यान दिया जा सकता है कि एसवीएम मॉडल विभिन्न त्रुटि प्रोफाइल वाले डेटा पर खराब परिणाम दे सकता है। इसके अलावा, मल्टीथ्रेडिंग के बावजूद, कार्यान्वयन GATK यूनिफाइडनोटाइपर विधि की तुलना में 10-20% धीमा था।

सामान्य तौर पर, चयनित मॉडल समस्या की बारीकियों के साथ अच्छे समझौते में है और जीनोमिक अनुक्रमों के विश्लेषण के लिए मशीन सीखने के तरीकों का उपयोग करने की सामान्य प्रवृत्ति से मेल खाती है।

यह लेख जैव सूचना विज्ञान कार्यशाला के एक भाग के रूप में लिखा गया था।