部分的な例からのシーケンスアラインメントのスコアリングスキームを学習します

生物学的配列を調整する場合、アライメントスコアリング関数のパラメーター値の選択が重要です。たとえば、ギャップのペナルティの小さな変更は、根本的に異なるアライメントをもたらす可能性があります。生物学的配列の整列に適したパラメーター値を計算する厳密な方法は、逆パラメトリック配列アライメントを使用することです。生物学的に正しいアラインメントの例のコレクションを考えると、これは、シーケンスの最適なアライメントのスコアに近い例のスコアを作成するパラメーター値を見つける問題です。逆パラメトリックのアラインメントに関する以前の作業を、アラインメントが不特定のままになっている領域を含む部分的な例と、例のスコアと最適なアライメントのスコアの間の平均誤差を最小化することに基づいた改善された定式化に拡張します。ベンチマークの実験生物学的アライメントの実験では、タンパク質ファミリー全体で一般化し、複数のシーケンスアライメントの精度を最大25％増加させるパラメーターを見つけることができます。

When aligning biological sequences, the choice of parameter values for the alignment scoring function is critical. Small changes in gap penalties, for example, can yield radically different alignments. A rigorous way to compute parameter values that are appropriate for aligning biological sequences is through inverse parametric sequence alignment. Given a collection of examples of biologically correct alignments, this is the problem of finding parameter values that make the scores of the example alignments close to those of optimal alignments for their sequences. We extend prior work on inverse parametric alignment to partial examples, which contain regions where the alignment is left unspecified, and to an improved formulation based on minimizing the average error between the score of an example and the score of an optimal alignment. Experiments on benchmark biological alignments show we can find parameters that generalize across protein families and that boost the accuracy of multiple sequence alignment by as much as 25 percent.