Vícenásobné EM pro vyvolání motivu - Multiple EM for Motif Elicitation - Wikipedia

Vícenásobné výrazové motivy pro vyvolání motivu (MEME) je nástroj pro objevování motivů ve skupině příbuzných DNA nebo protein sekvence.^[1]

A motiv je sekvenční vzorec, který se opakovaně vyskytuje ve skupině příbuzných proteinových nebo DNA sekvencí a je často spojován s nějakou biologickou funkcí. MEME představuje motivy jako matice pravděpodobnosti písmen závislé na poloze které popisují pravděpodobnost každého možného písmene na každé pozici ve vzoru. Jednotlivé motivy MEME neobsahují mezery. Vzory s mezerami s proměnnou délkou jsou rozděleny pomocí MEME na dva nebo více samostatných motivů.

MEME bere jako vstup skupinu DNA nebo proteinových sekvencí (tréninkovou sadu) a vydává tolik motivů, kolik je požadováno. Využívá techniky statistického modelování k automatickému výběru nejlepší šířky, počtu výskytů a popisu každého motivu.

MEME je první ze sbírky nástrojů pro analýzu motivů zvaných MEME suite.

Definice

Algoritmus MEME lze chápat ze dvou různých pohledů. Z biologického hlediska MEME identifikuje a charakterizuje sdílené motivy v sadě nezarovnaných sekvencí. Z hlediska počítačové vědy MEME najde sadu nepřekrývajících se přibližně odpovídajících podřetězců, kterým byla dána počáteční sada řetězců.

Použití

S MEME lze najít podobné biologické funkce a struktury v různých sekvencích. Je třeba vzít v úvahu, že variabilita sekvencí může být významná a že motivy jsou někdy velmi malé. Je také užitečné vzít v úvahu, že vazebná místa pro proteiny jsou velmi specifická. Díky tomu je snazší omezit experimenty s mokrými laboratořemi (snižuje náklady a čas). Abychom mohli lépe objevit motivy relevantní z biologického hlediska, musíme pečlivě zvolit:

Nejlepší šířka motivů.
Počet výskytů v každé sekvenci.
Složení každého motivu.

Komponenty algoritmu

Algoritmus používá několik typů dobře známých funkcí:

Maximalizace očekávání (EM).
Heuristika založená na EM pro výběr výchozího bodu EM.
Maximální pravděpodobnost na základě poměru (na základě LRT). Heuristika pro určení nejlepšího počtu parametrů bez modelu.
Multi-start pro vyhledávání přes možné šířky motivů.
Chamtivé hledání pro nalezení více motivů.

Člověk však často neví, kde je výchozí pozice. Existuje několik možností:

Přesně jeden motiv na sekvenci.
Jeden nebo nulový motiv na sekvenci.
Libovolný počet motivů na sekvenci.

Příklad

V následujícím příkladu má jeden váhovou matici 3 různých sekvencí bez mezer.

Sekvence 1:	C G G G T A A G T
Sekvence 2:	A A G G T A T G C
Sekvence 3:	C A G G T G A G G

Nyní se spočítá počet nukleotidů obsažených ve všech sekvencích:

A:	1 2 0 0 0 2 2 0 0	7
C:	2 0 0 0 0 0 0 0 1	3
G:	0 1 3 3 0 1 0 3 1	12
T:	0 0 0 0 3 0 1 0 1	5

Nyní je třeba shrnout celkem: 7 + 3 + 12 + 5 = 27; to nám dává „dělicí faktor“ pro každou bázi nebo ekvivalentní pravděpodobnost každého nukleotidu.

A:	7/27 ≈ 0.26
C:	3/27 ≈ 0.11
G:	12/27 ≈ 0.44
T:	5/27 ≈ 0.19

Nyní je možné váhovou matici (WM) „předělat“ vydělením celkovým počtem sekvencí (v našem případě 3):

A:	0.33	0.66	0.00	0.00	0.00	0.66	0.66	0.00	0.00
C:	0.66	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.33
G:	0.00	0.33	1.00	1.00	0.00	0.33	0.00	1.00	0.33
T:	0.00	0.00	0.00	0.00	1.00	0.00	0.33	0.00	0.33

Dále jeden rozdělí položky WM na pozici ${ displaystyle x_ {i}}$ s pravděpodobností základny ${ displaystyle x}$ .

A:	1.29	2.57	0.00	0.00	0.00	2.57	2.57	0.00	0.00
C:	6.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	3.00
G:	0.00	0.75	2.25	2.25	0.00	0.75	0.00	2.25	0.75
T:	0.00	0.00	0.00	0.00	5.40	0.00	1.80	0.00	1.80

Obecně by se pravděpodobnosti nyní znásobily. V našem případě by měl jeden pro každého nulu. Z tohoto důvodu definujeme ${ displaystyle log _ {10} 0: = - 10}$ a vezměte logaritmus (základ 10):

A:	0.11	0.41	−10	−10	−10	0.41	0.41	−10	−10
C:	0.78	−10	−10	−10	−10	−10	−10	−10	0.48
G:	−10	−0.12	0.35	0.35	−10	−0.12	−10	0.35	−0.12
T:	−10	−10	−10	−10	0.73	−10	0.26	−10	0.26

Toto je naše nová váhová matice (WM). Jeden je připraven použít příklad promotorové sekvence k určení jejího skóre. K tomu je třeba přidat čísla nalezená na pozici ${ displaystyle x_ {i}}$ logaritmického WM. Například pokud vezmeme AGGCTGATC promotor:

0.11 − 0.12 + 0.35 − 10 + 0.73 − 0.12 + 0.41 − 10 + 0.48 = −18.17

To se pak vydělí počtem záznamů (v našem případě 9), čímž se získá skóre −2,02.

Nedostatky

Algoritmy MEME mají několik nevýhod, včetně:

Není zahrnut příspěvek na mezery / náhrady / vložení.^{[Citace je zapotřebí ]}
Schopnost testovat významnost často není zahrnuta.^{[Citace je zapotřebí ]}
Vymazaná vstupní data při každém objevení nového motivu (algoritmus předpokládá, že nový motiv je správný).^{[Citace je zapotřebí ]}
Omezení na dvousložkový případ.^{[Citace je zapotřebí ]}
Časová složitost je velká, škálování O (n ^ 2).^{[Citace je zapotřebí ]} Rychlejší implementace MEME, známá jako EXTREME, využívá online EM algoritmus k významnému urychlení objevování motivů.^[2]
Velmi pesimistické ohledně zarovnání (což by mohlo vést ke zmeškaným signálům).^{[Citace je zapotřebí ]}

Viz také

Reference

^ Bailey TL, Williams N, Misleh C, Li WW (2006). „MEME: objevování a analýza motivů sekvencí DNA a proteinů“. Nucleic Acids Res. 34 (Problém s webovým serverem): W369–373. doi:10.1093 / nar / gkl198. PMC 1538909. PMID 16845028.
^ Quang, Daniel; Xie, Xiaohui (únor 2014). „EXTREME: online EM algoritmus pro objevování motivů“. Bioinformatika. 30 (12): 1667–1673. doi:10.1093 / bioinformatika / btu093. PMC 4058924. PMID 24532725. Citováno 19. srpna 2014.

externí odkazy

MEME Suite - Nástroje na sekvenční analýzu založené na motivech
GPU akcelerovaná verze MEME
EXTRÉMNÍ - Online EM implementace modelu MEME pro rychlé objevování motivů ve velkých datových stopách ChIP-Seq a DNase-Seq

[Bailey2006-1] Bailey TL, Williams N, Misleh C, Li WW (2006). „MEME: objevování a analýza motivů sekvencí DNA a proteinů“. Nucleic Acids Res. 34 (Problém s webovým serverem): W369–373. doi:10.1093 / nar / gkl198. PMC 1538909. PMID 16845028.

[2] Quang, Daniel; Xie, Xiaohui (únor 2014). „EXTREME: online EM algoritmus pro objevování motivů“. Bioinformatika. 30 (12): 1667–1673. doi:10.1093 / bioinformatika / btu093. PMC 4058924. PMID 24532725. Citováno 19. srpna 2014.

[1]

[2]