불완전한 지식이 단백질 기능 예측 평가에 미치는 영향: 구조적 출력 학습 관점

동기: 생물학적 대화체의 자동 기능 주석은 생물학적 개념 또는 본체적 용어를 유전자 및 유전자 산물에 컴퓨터적으로 할당하는 문제입니다. 유전자 주석을 표준화된 명명법, 예를 들어 유전자 온톨로지(GO),를 사용하여 계산적으로 주석 처리하는 여러 방법이 개발되었습니다. 그러나 이들 방법의 편향되지 않은 평가와 이질적인 분자 데이터를 통합할 수 있는 정확한 방법 개발 가능성에 대한 질문이 남아 있습니다. 한 가지 중요한 문제는 단백질의 실험적 주석이 불완전하다는 것입니다. 이는 현재 사용 가능한 데이터가 컴퓨터 모델을 훈련하고 성능 정확성을 추정하는 데 신뢰할 수 있는지를 반영하는 질문을 제기합니다. 결과: 우리는 단백질 기능 예측의 성능 평가에서 불완전한 실험적 주석의 효과를 연구합니다. 구조적 출력 학습 프레임워크를 사용하여, 우리는 이론적 분석을 제공하고 실험적 주석의 증가가 다양한 유형의 방법들에 대한 성과 추정의 정확성과 안정성에 미치는 영향을 특성화하기 위해 시뮬레이션을 수행합니다. 그런 다음 GO 용어 예측의 예측, 평가 및 후속 재평가(추가 실험적 주석이 가능해진 후)를 시뮬레이션하여 실제 생물학적 데이터를 분석합니다. 우리의 결과는 불완전하고 누적되는 실험적 주석이 정확도 평가에 상당한 영향을 미칠 수 있다는 이전 관찰에 동의합니다. 우리는 이들의 영향이 예측 알고리즘, 성능 지표 및 기반 온톨로지 간의 복잡한 상호 작용을 반영한다는 것을 발견합니다. 그러나 사용 가능한 실험 데이터를 활용하고 현실적인 가정하에, 우리의 결과는 현재 대규모 평가가 의미가 있으며 거의 놀라울 정도로 신뢰할 수 있음을 제안합니다. 보충 정보: 보충 데이터는 Bioinformatics 온라인에서 이용 가능합니다.