Hidden Markov models (HMMs) στην βιοπληροφορική

Abstract

In the era of genomics, data analysis models and algorithms that provide the means to reduce large complex sets into meaningful information are integral to further our understanding of complex biological systems. Hidden Markov models comprise one such data analysis technique that has become the basis of many bioinformatics tools. Its relative success is primarily due to its conceptually simplicity and robust statistical foundation. Despite being one of the most popular data analysis modeling techniques for classification of sequences of data, researchers have few available software options to rapidly implement the necessary modeling framework and algorithms. Most tools are still hand-coded because current implementation solutions do not provide the required ease or flexibility that allows researchers to implement models in non-traditional ways. In the current PhD thesis, we have developed an open-source hidden Markov model Java toolbox, called JUCHMME, that provides researchers with the flexibility to apply hidden Markov models to unique sequence analysis problems. It provides researchers the ability to rapidly implement a model using a simple text file and at the same time provide the flexibility to adapt the model in non-traditional ways. In addition, it provides many features/extensions that are not available in any current HMM implementation tools, such as Hidden Neural Networks (HNNs), models that condition on previous observations and a method for semi-supervised learning of HMMs that can incorporate labeled, unlabeled and partially-labeled data, and multiple ways to integrate additional data sources together to make better predictions. Using JUCHMME, we have been able to rapidly implement ΗΜΜ models on the biological problem of transmembrane protein topology prediction for alpha-helical and beta-barrel membrane with encouraging results.

Στην εποχή της γονιδιωματικής, τα μοντέλα ανάλυσης δεδομένων και οι αλγόριθμοι που παρέχουν τα μέσα για τη μείωση των μεγάλων σύνθετων συνόλων σε σημαντικές πληροφορίες είναι αναπόσπαστα για την περαιτέρω κατανόηση των σύνθετων βιολογικών συστημάτων. Τα κρυφά μαρκοβιανά μοντέλα (Hidden Markov Models) περιλαμβάνουν μια τέτοια τεχνική ανάλυσης δεδομένων που έχει γίνει η βάση πολλών εργαλείων βιοπληροφορικής. Η σχετική επιτυχία οφείλεται κυρίως στην εννοιολογική απλότητά της και στην ισχυρή στατιστική βάση. Παρά το γεγονός ότι είναι μια από τις πιο δημοφιλείς τεχνικές μοντελοποίησης και ανάλυσης δεδομένων για την ταξινόμηση ακολουθιών δεδομένων, οι ερευνητές έχουν λίγες διαθέσιμες επιλογές λογισμικού για να εφαρμόσουν γρήγορα το απαραίτητο πλαίσιο και αλγόριθμους μοντελοποίησης. Τα περισσότερα εργαλεία εξακολουθούν να είναι κωδικοποιημένα στο χέρι, επειδή οι τρέχουσες λύσεις υλοποίησης δεν παρέχουν την απαιτούμενη ευκολία ή ευελιξία που επιτρέπει στους ερευνητές να εφαρμόζουν μοντέλα με μη παραδοσιακούς τρόπους. Στην παρούσα διδακτορική διατριβή, έχουμε αναπτύξει ένα λογισμικό ανοιχτού κώδικα σε Java, που ονομάζεται JUCHMME, το οποίο παρέχει στους ερευνητές την ευελιξία να εφαρμόζουν Hidden Markov Models σε προβλήματα ανάλυσης ακολουθιών. Παρέχει στους ερευνητές τη δυνατότητα να εφαρμόσουν γρήγορα ένα μοντέλο χρησιμοποιώντας ένα απλό αρχείο κειμένου και ταυτόχρονα την ευελιξία να προσαρμόσουν το μοντέλο με μη παραδοσιακούς τρόπους. Επιπλέον, αναπτύξαμε πολλές δυνατότητες/επεκτάσεις που δεν είναι διαθέσιμες σε κανένα τρέχον εργαλείο υλοποίησης HMM, όπως τα Κρυφά Νευρωνικά Δϊκτυα (Hidden Neural Networks – HNNs), μοντέλα που εξαρτώνται από προηγούμενες παρατηρήσεις και μια μέθοδο για ημι-εποπτευόμενη εκμάθηση HMM που ενσωματώνει δεδομένα με επισήμανση, χωρίς σήμανση και μερική επισήμανση και πολλούς τρόπους για την ενσωμάτωση πρόσθετων πηγών δεδομένων μαζί για να κάνουν καλύτερες προβλέψεις. Χρησιμοποιώντας το JUCHMME, καταφέραμε να εφαρμόσουμε HMM μοντέλα σε ένα σημαντικό βιολογικό πρόβλημα της πρόβλεψης τοπολογίας διαμεμβρανικών πρωτεϊνών α-ελίκων και β-βαρελιών λαμβάνοντας ενθαρρυντικά αποτελέσματα.