オルソログクラスターへの自動命名手法の開発

提供：TogoWiki

目次 1 togoAnnotator 2 テクニカルタームの統一 -all 3 機能改善 -all 4 入出力データ -all 5 入力データーの前処理について -tf, so 6 出力結果の評価（再設計） -all 7 サービス -all 8 Biocuration 2010の総括 -yy 9 問題点 -all 10 参加者

togoAnnotator

テクニカルタームの統一 -all

今までのターム	新ターム
B. USDA110 Kazusa gene def. term set	Reference Gene Definition
B. USDA110 OC gene def. term set	Source Gene Definition
辞書生成プロセス１	Dictionary construction
Ref. GDとSource GD共通部分	n-Longest Common Substrings, n-LCS
パーツ	Common substring
辞書	Dictionary = Common substring set
コーパス、共起性	Cooccurrence terms
クラスター解析実験	Output, Candidate
ガラガラポン	Top scored candidate
推薦	Candidate
プロセス2	Gene annotation
被覆（評価で候補を全部合わせると正解を再現）	Combined partial match

機能改善 -all

• 共起情報を利用した新しいアルゴリズムについて

1. Ref. GDから作成したDic. の頻度情報、共起情報、順序情報を辞書マッチでも利用するようなアルゴリズムにする
2. 辞書マッチを行う際に、Ref. GDから得られた前後に出現しやすいタームに関する情報を利用して、Combined Partial Matchを行う
3. 複数 candidate が得られた場合には、それらの間の包含関係も考慮する (他の candidate に包含される candidate があれば、それは除外する)

入出力データ -all

• 入力：Source GDをクエリとして与える
• 入力：配列をクエリとして与える
• 出力：API postの入力をJSONで返す

入力データーの前処理について -tf, so

• Gene Definitionの「書式」整形ルールの明文化とスクリプト化（改善しつづける余地あり）

1. 先頭および末尾の空白文字、タブ文字を削除
2. Swiss-Prot, COGのIdentifierを削除
3. 頭文字を小文字に置換 (不完全）
4. Swiss-Prot 個別の処理
   1. Swiss-ProtのOS,GN,PE,SVを消去 ex.) OS=Bradyrhizobium japonicum GN=clpP1 PE=3 SV=1
   2. 末端wordがGNと一致していた場合、頭文字を大文字に置換にしてタンパク質シンボル表記に置換
5. セミコロン以降の削除（例外処理あり）
6. 末端カッコ () や [] の削除（例外処理あり）
7. カンマ以降の削除（例外処理あり）
   1. ", putative"や", conserved"を前方修飾に置換
   2. , XXX domainをcontaning XXX domainに置換
   3. , XXX subunitを後方に結合
8. CGA1個別データの置換
   1. "trasfer RNA"を"transfer RNA"に置換
   2. ABC transporterの名寄せ
   3. transcriptional regulatorの名寄せ
9. "similar to "を"putative "に置換
10. "conserved hypothetical protein","UPF protein"を"hypothetical protein"に置換
    1. hypothetical protein "locus_tag"の "locus_tag"を削除
11. probable/putative処理
12. Swiss-ProtのGNからgene symbolの自動追加

出力結果の評価（再設計） -all

1. 系統的に比較的近縁な、よくアノテーションされているバクテリア2種を選定
2. 片方をリファレンスにして辞書作成
3. もう一方のアノテーションを隠した状態で、自動アノテーションシステムにかける
4. 自動アノテーションの結果とtogoAnnotatorの出力結果を元のアノテーションと比較して再現性を評価

• 自動アノテーションシステム
  • Integrated Microbial Genomes (IGM)
  • Rapid Annotation using Subsystems Technology (RAST)
  • JCVI Annotation Service サービス停止中の模様
  • MiGap
• データソースについて
  • 対象生物
    • Synechocystis sp. PCC6803
    • Synechococcus sp. PCC7942
  • Source gene definition (OC)
    • KEGG OCのサブ階層からつくる - kwsmさんからデータをいただいてる

サービス -all

• MiGAPへの組み込み
• Source GDとしてBlast検索などの結果をBookmarkletから入力してJSONで返す→TogoWS Blastの結果を入力できる？

Biocuration 2010の総括 -yy

• マニュアルキュレーションされた良い名前ならGO termをつかうべき。ないGO termがあれば作ればいい
• 私たちも悩んでるので出来たらぜひ使いたい
• オルソログクラスターは何を使うのか？→eggNOG, KEGG OC...任意の遺伝子セット
• どうやってつかうのか？→尤もらしい名前をひとつだけ推薦する、アノテーターに複数の候補を推薦
• オルソログクラスターの生物毎の対応は？→系統的にリファレンスセットの用意など

問題点 -all

• 統計情報が貧弱な遺伝子の命名ルールの処理はどうしたらいいか -yy
  • 個別のルールベースでの解決？
  • KO, GOなどのマニュアルDBを補完的に使うべき -kwsm
  • サービスはトータル性能でしか評価されない -kwsm
    • 統計情報が豊富に得られる遺伝子の命名手法を素直なアプローチで改善する部分から取り組み、統計情報が貧弱な部分は後回しにする
    • 統計情報が貧弱な部分は、KO, GOなど、マニュアルDBによる名前が付いている遺伝子の名前を転載するアプローチなどで補完すればよいのではないか

参加者

• 岡本 (so)
• 山本 (yy)
• 藤澤 (tf)
• 川島 (kwsm)
• BH10.10 2010.10.20-23