informИнформатикаInformatics1816-03012617-6963UIIP NASBinform-471Research ArticleБИОИНФОРМАТИКАBIOINFORMATICSРазработка алгоритмов и программных средств классификации кодирующих и некодирующих нуклеотидных последовательностейDevelopment of algorithms and software for classification of nucleotide sequencesЗакироваВ. Р.ZakiravaV. R.

Закирова Вероника Рашидовна, магистрант, кафедра системного анализа и компьютерного моделирования, факультет радиофизики и компьютерных технологий

Veranika R. Zakirava, Master Student, Department of Systems Analysis and Computer Modelling, Faculty of Radiophysics and Computer Technologies

veranika.zakirava@gmail.comСыроквашД. А.SyrakvashD. A.

Сырокваш Дмитрий Алексеевич, магистр, кафедра системного анализа и компьютерного моделирования, факультет радиофизики и компьютерных технологий

Dzmitry A. Syrakvash, Master, Department of Systems Analysis and Computer Modelling, Faculty of Radiophysics and Computer Technologies

dzmitry.syrakvash@gmail.comГилевскийС. В.HileuskiS. V.

Гилевский Станислав Викентьевич, доцент, кандидат технических наук, кафедра системного анализа и компьютерного моделирования, факультет радиофизики и компьютерных технологий

Stanislau V. Hileuski, Associate Professor, Cand. Sci. (Eng.), Department of Systems Analysis and Computer Modelling, Faculty of Radiophysics and Computer Technologies

Hileuski@bsu.byНазаровП. В.NazarovP. V.

Назаров Петр Владимирович, кандидат физикоматематических наук, отдел исследования протеома и генома

отделение онкологии

PhD, Scientist, Proteome and Genome Research Unit

Department of Oncology (1A-B, rue Thomas Edison, L-1445 Strassen, Luxembourg)

petr.nazarov@lih.luЯцковН. Н.YatskouM. M.

Яцков Николай Николаевич, доцент, кандидат физикоматематических наук, кафедра системного анализа и компьютерного моделирования, факультет радиофизики и компьютерных технологий

Mikalai M. Yatskou, Associate Professor, Cand. Sci. (Phys.-Math.), Department of Systems Analysis and Computer Modelling, Faculty of Radiophysics and Computer Technologies

yatskou@bsu.byБелорусский государственный университетBelarusian State UniversityЛюксембургский институт здоровьяLuxembourg Institute of Health201914022019162109118Copyright © Закирова В.Р., Сырокваш Д.А., Гилевский С.В., Назаров П.В., Яцков Н.Н., 20192019Закирова В.Р., Сырокваш Д.А., Гилевский С.В., Назаров П.В., Яцков Н.Н.Zakirava V.R., Syrakvash D.A., Hileuski S.V., Nazarov P.V., Yatskou M.M.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://inf.grid.by/jour/article/view/471

Проведено исследование кодирующих и некодирующих нуклеотидных последовательностей референсного генома человека. Разработаны семь моделей векторизации нуклеотидных последовательностей на основе частот моно-, би- и триграммов нуклеотидов, параметров модели частот и позиций сочетаний нуклеотидов (category-position-frequency model), длин последовательностей, корреляционных факторов нуклеотидов, статистических признаков кодирующих и некодирующих участков молекул ДНК. Определены наиболее информативные признаки моделей векторизации c использованием алгоритмов автоматического выбора признаков и классификации на основе методов случайного леса и опорных векторов. Установлено различие кодирующих и некодирующих фрагментов нуклеотидных последовательностей. Ошибка классификации последовательностей с использованием метода случайного леса на наборе из 23 наиболее информативных признаков составила 2,93 %.

Coding and non-coding nucleotide sequences of the human reference genome have been investigated. Seven models of vectorization of nucleotide sequences based on mono-, bi-, trigram nucleotide frequencies, parameters of the category-position-frequency model, the lengths of sequences, nucleotide correlation factors, statistical features of coding and non-coding regions of DNA molecules were developed. The most informative features of vectorization models were determined using feature selection and classification algorithms based on the random forests and support vector machine methods. The difference between coding and non-coding fragments of nucleotide sequences was established. An error of the coding and non-coding sequences classification using the random forests method on a set of the 23 most informative features is 2,93 %.

ДНКэкзонинтронклассификацияметод случайного лесаметод опорных векторовалгоритмы автоматического отбора информативных признаковпрограммирование на языке RDNAexonintronclassificationRandom ForestsSupport Vector Machinefeature selectionR programmingReferencesEdwards, D. J. Beginner's guide to comparative bacterial genome analysis using next-generation sequence data / D. J. Edwards, K. E. Holt // Microbial Informatics and Experimentation. – 2013 – Vol. 3:2. – Р. 1–9.Edwards D. J., Holt K. E. Beginner's guide to comparative bacterial genome analysis using nextgeneration sequence data. Microbial Informatics and Experimentation, 2013, vol. 3:2, pp. 1–9.Bao, J. An improved alignment-free model for DNA sequence similarity metric / J. Bao, R. Yuan, Z. Bao // BMC Bioinformatics. – 2014. – Vol. 15:321. – Р. 1–15.Bao J., Yuan R., Bao Z. An improved alignment-free model for DNA sequence similarity metric. BMC Bioinformatics, 2014, vol. 15:312, pp. 1–15.Li, C. Relative entropy of DNA and its application / C. Li, J. Wang // Physica A. – 2005. – Vol. 347. – P. 465–471.Li C., Wang J. Relative entropy of DNA and its application. Physica A, 2005, vol. 347, pр. 465–471.Numerical characteristics of word frequencies and their application to dissimilarity measure for sequence comparison / Q. Dai [et al.] // J. of Theoretical Biology. – 2011. – Vol. 276. – P. 174–180.Dai Q., Liu X., Yao Y., Zhao F. Numerical characteristics of word frequencies and their application to dissimilarity measure for sequence comparison. Journal of Theoretical Biology, 2011, vol. 276, pр. 174–180.Liu, L. Clustering DNA sequences by feature vectors / L. Liu, Y. K. Ho, S. Yau // Mol Phylogenet Evol. – 2006. – Vol. 41. – P. 64–69.Liu L., Ho Y. K., Yau S. Clustering DNA sequences by feature vectors. Mol Phylogenet Evol, 2006, vol. 41, pр. 64–69.Wang, J. Wse, a new sequence distance measure based on word frequencies / J. Wang, X. Zheng // Mathematical Biosciences. – 2008. – Vol. 215. – P. 78–83.Wang J., Zheng X. Wse, a new sequence distance measure based on word frequencies. Mathematical Biosciences, 2008, vol. 215, pр. 78–83.Zhao, B. A new distribution vector and its application in genome clustering / B. Zhao, R. L. He, S. Т. Yau // Mol Phylogenet Evol. – 2011. – Vol. 59. – P. 438–443.Zhao B., He R. L., Yau S. Т. A new distribution vector and its application in genome clustering. Mol Phylogenet Evol, 2011, vol. 59, pр. 438–443.Application of high-dimensional feature selection: evaluation for genomic prediction in man / M. L. Bermingham [et al.] // Scientific Reports. – 2015. – Vol. 5:10312. – P. 1–12.Bermingham M. L., Pong-Wong R., Spiliopoulou A., Hayward C., Rudan I., …, Haley C. S. Application of high-dimensional feature selection: evaluation for genomic prediction in man. Scientific Reports, 2015, vol. 5:10312, pp. 1–12.GFF/GTF File Format – Definition and Supported Options [Electronic resource]. – 2014. – Modе of access: www.ensembl.org/info/website/upload/gff.html. – Date of access: 16.10.2014.GFF/GTF File Format – Definition and Supported Options, 2014. Available at: www.ensembl.org/ info/website/upload/gff.html (accessed 16.10.2014).Comparative analyses between retained introns and constitutively spliced introns in arabidopsos thaliana using random forest and support vector machine / R. Mao [et al.] // PLoS One. – 2014. – Vol. 9, no. 8. – P. 1–12.Mao R., Kumar P. K. R., Guo C., Zhang Y., Liang C. Comparative analyses between retained introns and constitutively spliced introns in arabidopsos thaliana using random forest and support vector machine. PLoS One, 2014, vol. 9, no. 8, pр. 1–12.Разработка алгоритмов и автоматизированных программных средств для классификации кодирующих и некодирующих нуклеотидных последовательностей / Д. А. Сырокваш [и др.] // Междунар. конгресс по информатике: информационные системы и технологии : материалы конгресса, Минск, 24–27 окт. 2016 г. ; редкол.: С. В. Абламейко [и др.]. – Минск : БГУ, 2016. – С. 189–193.Syrakvash D. А., Jackov N. N., Nazarov P. V., Skakun V. V. Razrabotka algoritmov i avtomatizirovannyh programmnyh sredstv dlya klassifikacii kodirujushchih i nekodiruyushchih nukleotidnyh posledovatel’nostey [Development of algorithms and automated software for the classification of coding and non-coding nucleotide sequences]. Mejdunarodnyi congress po informatike: informacionnye sistemy i tehnologii [International Congress on Informatics: Information Systems and Technologies]. Minsk, Belorusskij gosudarstvennyj universitet, 2016, pp. 189–193 (in Russian).Do we need hundreds of classifiers to solve real world classification problems? / M. Fernández-Delgado [et al.] // J. of Machine Learning Research. – 2014. – Vol. 15. – P. 3133–3181.Fernández-Delgado M., Cernadas E., Barro S., Amorim D. Do we need hundreds of classifiers to solve real world classification problems? Journal of Machine Learning Research, 2014, vol. 15, pр. 3133–3181.Liaw, A. Breiman and Custler’s Random Forests for Classification and Regression [Electronic resource] / A. Liaw, M. Wiener. – 2016. – Mode of access: http://www.stat.berkley.edu/~breiman/RandomForest/ cc_home.htm#workings. – Date of access: 11.02.2016.Liaw A., Wiener M. Breiman and Custler’s Random Forests for Classification and Regression, 2016. Available at: http://www.stat.berkley.edu/~breiman/RandomForest/cc_home.htm#workings (accessed 11.02.2016).Breiman, L. Random forest / L. Breiman // Machine Learning. – 2001. – Vol. 45(1). – P. 5–32.Breiman L. Random forest. Machine Learning, 2001, vol. 45(1), pр. 5–32.Вапник, В. Н. Восстановление зависимостей по эмпирическим данным / В. Н. Вапник. – М. : Наука, 1979. – 448 с.Vapnik V. N. Vosstanovlenie zavisimostey po empiricheskim dannym. Recovering Dependencies from Empirical Data. Moscow, Nauka, 1979, 448 p. (in Russian).Вьюгин, В. В. Математические основы машинного обучения и прогнозирования / В. В. Вьюгин. – М. : МЦНМО, 2014. – 304 с.V’ugin V. V. Matematicheskie osnovy mashinnogo obucheniya i prognozirovaniya. Mathematical Foundations of Machine Learning and Prediction. Moscow, Moskovskij centr nepreryvnogo matematicheskogo obrazovanija, 2014, 304 p. (in Russian).Мастицкий, С. Э. Статистический анализ и визуализация данных с помощью R [Электронный ресурс] / С. Э. Мастицкий, В. К. Шитиков. – 2014. – Режим доступа: http://r-analytics.blogspot/.com. – Дата доступа: 13.03.2015.Mastickiy C. E., Shitikov V. K. Statisticheskiy analiz i vizualizaciya dannyh s pomoshchju R. Statistical Analysis and Data Visualization with R, 2014. Available at: http://r-analytics.blogspot.com (accessed 13.03.2015) (in Russian).Advancing Feature Selection Research – ASU Feature Selection Repository [Electronic resource] / Z. Zhao [et al.]. – 2010. – Mode of access: https://www.researchgate.net/publication/305083748_Advancing_ feature_selection_research. – Date of access: 10.04.2019.Zhao Z., Sharma S., Morstatter F., Alelyani S. Advancing Feature Selection Research – ASU Feature Selection Repository, 2010. Available at: https://www.researchgate.net/publication/305083748_Advancing_ feature_selection_research (accessed 10.04.2019).Kuhn, M. The Caret Package [Electronic resource] / M. Kuhn. – 2017. – Mode of access: https://topepo.github.io/caret. – Date of access: 11.04.2017.Kuhn M. The Caret Package, 2017. Available at: https://topepo.github.io/caret (accessed 11.04.2017)

The authors declare that there are no conflicts of interest present.