Machine Learning Approaches for Decoding Information in RNA Interactions and DNA sequences

Abstract

생물체 간 표현형의 차이는 각 개체의 유전적 정보 차이로부터 기인한다. 유전적 정보의 변화에 따라서, 각 생물체는 서로 다른 종으로 진화하기도 하고, 같은 병에 걸린 환자라도 서로 다른 예후를 보이기도 한다. 이처럼 중요한 생물학적 정보는 대용량 시퀀싱 분석 기법 등을 통해 다양한 오믹스 데이터로 측정된다. 그러나, 오믹스 데이터는 고차원 특징 및 소규모 표본 데이터이기 때문에, 오믹스 데이터로부터 생물학적 정보를 해석하는 것은 매우 어려운 문제이다. 일반적으로, 데이터 특징의 개수가 샘플의 개수보다 많을 때, 오믹스 데이터의 해석을 가장 난해한 기계학습 문제들 중 하나로 만듭니다.

본 박사학위 논문은 기계학습 기법을 활용하여 고차원적인 생물학적 데이터로부터 생물학적 정보를 추출하기 위한 새로운 생물정보학 방법들을 고안하는 것을 목표로 한다.

첫 번째 연구는 DNA 서열을 활용하여 종 간 비교와 동시에 DNA 서열상에 있는 다양한 지역에 담긴 생물학적 정보를 유전적 관점에서 해석해보고자 하였다. 이를 위해, 순위 기반 k 단어 문자열 비교방법, RKSS 커널을 개발하여 다양한 게놈 상의 지역에서 여러 종 간 비교 실험을 수행하였다. RKSS 커널은 기존의 k 단어 문자열 커널을 확장한 것으로, k 길이 단어의 순위 정보와 종 간 공통점을 표현하는 비교기준점 개념을 활용하였다. k 단어 문자열 커널은 k의 길이에 따라 단어 수가 급증하지만, 비교기준점은 극소수의 단어로 이루어져 있으므로 서열 간 유사도를 계산하는 데 필요한 계산량을 효율적으로 줄일 수 있다. 게놈 상의 세 지역에 대해서 실험을 진행한 결과, RKSS 커널은 기존의 커널에 비해 종 간 유사도 및 차이를 효율적으로 계산할 수 있었다. 또한, RKSS 커널은 실험에 사용된 생물학적 지역에 포함된 생물학적 정보량 차이를 생물학적 지식과 부합되는 순서로 비교할 수 있었다.

두 번째 연구는 생물학적 네트워크를 통해 복잡하게 얽힌 유전자 상호작용 간 정보를 해석하여, 더 나아가 생물학적 기능 해석을 통해 암의 아형을 분류하고자 하였다. 이를 위해, 그래프 컨볼루션 네트워크와 어텐션 메커니즘을 활용하여 패스웨이 기반 해석 가능한 암 아형 분류 모델(GCN+MAE)을 고안하였다. 그래프 컨볼루션 네트워크를 통해서 생물학적 사전 지식인 패스웨이 정보를 학습하여 복잡한 유전자 상호작용 정보를 효율적으로 다루었다. 또한, 여러 패스웨이 정보를 어텐션 메커니즘을 통해 해석 가능한 수준으로 병합하였다. 마지막으로, 학습한 패스웨이 레벨 정보를 보다 복잡하고 다양한 유전자 레벨로 효율적으로 전달하기 위해서 네트워크 전파 알고리즘을 활용하였다. 다섯 개의 암 데이터에 대해 GCN+MAE 모델을 적용한 결과, 기존의 암 아형 분류 모델들보다 나은 성능을 보였으며 암 아형 특이적인 패스웨이 및 생물학적 기능을 발굴할 수 있었다.

세 번째 연구는 패스웨이로부터 서브 패스웨이/네트워크를 찾기 위한 연구다. 패스웨이나 생물학적 네트워크에 단일 생물학적 기능이 아니라 다양한 생물학적 기능이 포함되어 있음에 주목하였다. 단일 기능을 지닌 유전자 조합을 찾기 위해서 생물학적 네트워크상에서 조건 특이적인 유전자 모듈을 찾고자 하였으며 MIDAS라는 도구를 개발하였다. 패스웨이로부터 유전자 상호작용 간 활성도를 유전자 발현량과 네트워크 구조를 통해 계산하였다. 계산된 활성도들을 활용하여 다중 클래스에서 서로 다르게 활성화된 서브 패스들을 통계적 기법에 기반하여 발굴하였다. 또한, 어텐션 메커니즘과 그래프 컨볼루션 네트워크를 통해서 해당 연구를 패스웨이보다 더 큰 생물학적 네트워크에 확장하려고 시도하였다. 유방암 데이터에 대해 실험을 진행한 결과, MIDAS와 딥러닝 모델을 다중 클래스에서 차이가 나는 유전자 모듈을 효과적으로 추출할 수 있었다.

결론적으로, 본 박사학위 논문은 DNA 서열에 담긴 진화적 정보량 비교, 패스웨이 기반 암 아형 분류, 조건 특이적인 유전자 모듈 발굴을 위한 새로운 기계학습 기법을 제안하였다.

Phenotypic differences among organisms are mainly due to the difference in genetic information. As a result of genetic information modification, an organism may evolve into a different species and patients with the same disease may have different prognosis. This important biological information can be observed in the form of various omics data using high throughput instrument technologies such as sequencing instruments. However, interpretation of such omics data is challenging since omics data is with very high dimensions but with relatively small number of samples. Typically, the number of dimensions is higher than the number of samples, which makes the interpretation of omics data one of the most challenging machine learning problems.

My doctoral study aims to develop new bioinformatics methods for decoding information in these high dimensional data by utilizing machine learning algorithms.

The first study is to analyze the difference in the amount of information between different regions of the DNA sequence. To achieve the goal, a ranked-based k-spectrum string kernel, RKSS kernel, is developed for comparative and evolutionary comparison of various genomic region sequences among multiple species. RKSS kernel extends the existing k-spectrum string kernel by utilizing rank information of k-mers and landmarks of k-mers that represents a species. By using a landmark as a reference point for comparison, the number of k-mers needed to calculating sequence similarities is dramatically reduced. In the experiments on three different genomic regions, RKSS kernel captured more reliable distances between species according to genetic information contents of the target region. Also, RKSS kernel was able to rearrange each region to match a biological common insight.

The second study aims to efficiently decode complex genetic interactions using biological networks and, then, to classify cancer subtypes by interpreting biological functions. To achieve the goal, a pathway-based deep learning model using graph convolutional network and multi-attention based ensemble (GCN+MAE) for cancer subtype classification is developed. In order to efficiently reduce the relationships between genes using pathway information, GCN+MAE is designed as an explainable deep learning structure using graph convolutional network and attention mechanism. Extracted pathway-level information of cancer subtypes is transported into gene-level again by network propagation. In the experiments of five cancer data sets, GCN+MAE showed better cancer subtype classification performances and captured subtype-specific pathways and their biological functions.

The third study is to identify sub-networks of a biological pathway. The goal is to dissect a biological pathway into multiple sub-networks, each of which is to be of a single functional unit. To achieve the goal, a condition-specific sub-module detection method in a biological network, MIDAS (MIning Differentially Activated Subpaths) is developed. From the pathway, edge activities are measured by explicit gene expression and network topology. Using the activities, differentially activated subpaths are explored by a statistical approach. Also, by extending this idea on graph convolutional network, different sub-networks are highlighted by attention mechanisms. In the experiment with breast cancer data, MIDAS and the deep learning model successfully decomposed gene-level features into sub-modules of single functions.

In summary, my doctoral study proposes new computational methods to compare genomic DNA sequences as information contents, to model pathway-based cancer subtype classifications and regulations, and to identify condition-specific sub-modules among multiple cancer subtypes.