자가주의집중 기반의 심층 신경망을 이용한 Branchpoint 예측 (Branchpoint Prediction Using Self-Attention Based Deep Neural Networks)

서지정보

· 발행기관 : 한국정보과학회
· 수록지 정보 : 정보과학회논문지 / 47권 / 4호 / 343 ~ 351페이지
· 저자명 : 이현석, 김성찬

초록

접합(splicing)은 단백질 생성에 중요한 messenger RNA를 만들기 위한 RNA 처리 과정이다. Branchpoint는 접합 과정에서 중요한 역할을 하는 RNA 염기 서열 중 한 요소이며, 본 논문에서는 branchpoint 예측을 위한 심층 신경망 모델을 제안한다. Branchpoint 위치 예측에는 몇 가지 어려움이 존재한다. Branchpoint의 위치는 염기 서열에 존재하는 모티프(염기 서열에 나타나는 짧은 길이의 패턴)들과 밀접하게 관련된 것으로 알려져 있으며, RNA 서열의 특정 영역에 편중되어 있어 기계학습을 적용할 때 클래스 불균형 문제가 발생한다. 본 논문의 기법은 입력 서열의 특징 학습을 위한 주의집중 기법과 클래스 불균형을 완화하기 위한 삼중항 손실을 활용한다. 이로 인해 알려진 최고 성능 수준의 예측 정확도를 유지하면서, branchpoint 위치에 영향을 주는 모티프들을 찾아내 예측에 대한 설명을 가능하게 해준다.

영어초록

Splicing is a ribonucleic acid (RNA) process of creating a messenger RNA (mRNA) translated into proteins. Branchpoints are sequence elements of RNAs essential in splicing. This paper proposes a novel method for branchpoint prediction. Identification of branchpoints involves several challenges. Branchpoint sites are known to depend on several sequence patterns, called motifs. Also, a branchpoint distribution is highly biased, imposing a class-imbalanced problem. Existing approaches are limited in that they either rely on handcrafted sequential features or ignore the class imbalance.
To address those difficulties, the proposed method incorporates 1) Attention mechanisms to learn sequence-positional long-term dependencies, and 2) Regularization with triplet loss to alleviate the class imbalance. Our method is comparable to the state-of-the-art performance while providing rich interpretability on its decisions.

참고자료

· 없음