Rck; accurate and efficient inference of sequence and structure-based protein-rna binding models from rn acompete data
•
0 likes•850 views
ISMB読み会2016
Recommended
More Related Content
Featured
Featured (20)
Rck; accurate and efficient inference of sequence and structure-based protein-rna binding models from rn acompete data
- 2. RNA結合タンパク質とは何か？ • RNA結合タンパク質(RBP)は、mRNAやlncRNAに 結合して、スプライシングや発現量の制御を⾏行う • ALS(筋萎縮性側索硬化症)をはじめとする神経疾 患に、RBPが関与する事が知られている。 • RBPがどのRNAのどの領域に結合するのかを調べ ることが重要 →モチーフ解析の重要性 2
- 4. RNA⼆二次構造を考慮したモチーフ発⾒見ソフトウェア • 配列情報のみから発⾒見 • MEMRIS (Hiller et al. (2006), NAR) • RNAMotifFinder (Wang et al. (2011), BMC Genomics) • GraphProt (Maticzka et al. (2014), Genome Biology) • affinityデータが必要 (RNAcompete) • RNAcontext (Kazan et al. (2010), PLOS Computational Biology) • RCK (Hiller et al. (2016), ISMB2016) • アプタマー(核酸医薬の⼀一種)⽤用 • AptaMotif (Hoinka et al. (2012), ISMB2012)
- 5. RNAcompete RBPの結合活性をin vitroで測る⽅方法 • (Ray et al. (2011), Nature Biotechnology)
- 6. RNA context • (Kazan et al. (2010), PLOS Computational Biology) • ⼆二次構造はRNAplfoldで予測
- 7. RCK • PWMによる学習からk-merでの学習へ • position ごとの依存関係を考慮 • ⼆二次構造への結合特性を、各k-merごとに学習
- 8. in vitroでの性能評価 • 予測された結合affinityと実際のaffinityとの相関係数で評価 • ⼆二次構造を考慮しないDeepbindや、先⾏行研究のRNAcontextよりもよい。
- 9. in vivoでの性能評価 • in vitroで学習したモデルをin vivoデータに適⽤用 • 先⾏行研究と同程度に良い(統計的有意差なし)
- 10. 気になる点 • 最終的な(⽣生物学上の)ゴールをin vivoでのターゲット予測だとすると、その精 度が向上していないのは果たしてどうなのか？ • in vivoでの⽐比較は、(学習データが違ってくるとはいえ)GraphProtとも⽐比較す るべきではないか？ • 精度評価しかしておらず、折⾓角k-merごとに学習したのにpositionごとの依存 関係についての解析が不⼗十分。また、全然異なるk-merのaffinityが⾼高くなって いたりする事がないのかは気になるが、調べていない。 • RNAcompeteは、short RNAしか調べられないので、Bulge/Internal/Multi loopに対するbinding affinityが 適切に調べられるようには思えない。また、negative datasetとpositive datasetの間でsequence compositionがかなり違うので学習にバイアスがかかる気がする。
- 11. なぜISMBに通ったのか • 問題設定の重要性(そして研究の進んでなさ)は疑う余地がない • ENCODEも近年RNA-RBP結合データの網羅的取得を始めた • 解釈はまだ深められるように思うが、⼿手法としては問題はないように思う (ISMBでは、あまり⽣生物学的解釈は問われない気がする) • 勝⼿手な偏⾒見ですが、多分⽣生物学的解釈があったらGenome Biologyとかに出す のだと思う