I forlængelse af udformningen og implementeringen af prototypen af ML-DSP-værktøjet til genomisk sekvensklassifikation undersøgte vi, hvilken type længde-normalisering og hvilken type afstand der var mest velegnet til genomklassifikation ved hjælp af denne metode. Vi foretog derefter en omfattende analyse af de forskellige numeriske repræsentationer af DNA-sekvenser, der anvendes i litteraturen, og bestemte de tre bedste resultater. Efter at have indstillet de vigtigste parametre (længde-normaliseringsmetode, afstand og numerisk repræsentation) testede vi ML-DSP’s evne til at klassificere mtDNA-genomer på taksonomiske niveauer fra domæneniveau ned til slægtsniveau, og opnåede gennemsnitlige niveauer for klassifikationsnøjagtighed på >97%. Endelig sammenlignede vi ML-DSP med andre alignment-baserede og alignment-frie genomklassifikationsmetoder og viste, at ML-DSP opnåede højere nøjagtighed og betydeligt højere hastigheder.
- Analyse af afstande og af længde-normaliseringsmetoder
- Analyse af forskellige numeriske repræsentationer af DNA-sekvenser
- ML-DSP for tre klasser af hvirveldyr
- Klassificering af genomer med ML-DSP, på alle taksonomiske niveauer
- MoDMap-visualisering vs. ML-DSP kvantitative klassifikationsresultater
- Anvendelser på andre genomiske datasæt
- Sammenligning af ML-DSP med state-of-the-art alignment-baserede og alignment-fri værktøjer
- Diskussion
Analyse af afstande og af længde-normaliseringsmetoder
For at afgøre, hvilket afstandsmål og hvilken længde-normaliseringsmetode der var mest egnet til genomsammenligninger med ML-DSP, brugte vi ni forskellige delmængder af fulde mtDNA-sekvenser fra vores datasæt. Disse delmængder blev udvalgt for at omfatte de fleste af de tilgængelige komplette mtDNA-genomer (Vertebrates datasæt med 4322 mtDNA-sekvenser), samt delmængder, der indeholder lignende sekvenser af lignende længde (Primates datasæt med 148 mtDNA-sekvenser), og delmængder, der indeholder mtDNA-genomer, der viser store forskelle i længde (Plants datasæt med 174 mtDNA-sekvenser).
De klassifikationsnøjagtighedsscorer, der er opnået ved hjælp af de to betragtede afstandsmålinger (euklidisk og Pearson korrelationskoefficient) og to forskellige længde-normaliseringsmetoder (normalisering til maksimal længde og normalisering til medianlængde) på flere datasæt er anført i tabel 2. Klassifikationsnøjagtighedsscorerne er lidt højere for PCC, men tilstrækkeligt tæt på dem, der opnås ved brug af den euklidiske afstand, til at de ikke er entydige.
I resten af denne artikel har vi valgt Pearsons korrelationskoefficient, fordi den er skalauafhængig (i modsætning til den euklidiske afstand, som er f.eks, følsom over for signalets forskydning, hvorved signaler med samme form, men forskellige startpunkter betragtes som ulige), og længde-normaliseringen til medianlængde, fordi den er økonomisk med hensyn til hukommelsesforbrug.
Analyse af forskellige numeriske repræsentationer af DNA-sekvenser
Vi analyserede virkningen på ML-DSP-klassifikationsnøjagtigheden af tretten forskellige endimensionelle numeriske repræsentationer for DNA-sekvenser, grupperet som: Faste mappings DNA numeriske repræsentationer (Tabel 1 repræsentationer #1, #2, #3, #6, #7, se , og repræsentationer #10, #11, #12, #13 – som er endimensionelle varianter af den binære repræsentation foreslået i ), mappings baseret på nogle fysio-kemiske egenskaber ved nukleotider (Tabel 1 repræsentation #4, se , og repræsentation #5, se ), og mappings baseret på nærmest-nabo værdier (Tabel 2 repræsentationer #8, #9, se ).
De datasæt, der blev anvendt til denne analyse, var de samme som dem i tabel 2. De overvågede maskinlæringsklassifikatorer, der blev anvendt til denne analyse, var de seks klassifikatorer, der er anført i afsnittet Metoder og implementering, med undtagelse af datasættene med mere end 2000 sekvenser, hvor to af klassifikatorerne (Subspace Discriminant og Subspace KNN) blev udeladt, da de var for langsomme. Resultaterne og de gennemsnitlige nøjagtighedsscorer for alle disse numeriske repræsentationer, klassifikatorer og datasæt er opsummeret i tabel 3.
Som det fremgår af tabel 3, er de gennemsnitlige nøjagtighedsscorer i tabellen (sidste række: gennemsnit af gennemsnit, først over de seks klassifikatorer for hvert datasæt og derefter over alle datasæt) høje for alle numeriske repræsentationer (sidste række: gennemsnit af gennemsnit, først over de seks klassifikatorer for hvert datasæt og derefter over alle datasæt). Overraskende nok resulterer selv anvendelsen af en numerisk repræsentation af en enkelt nukleotid, hvor tre af nukleotiderne behandles som værende de samme og kun en af dem fremhæves (“Just-A”), i en gennemsnitlig nøjagtighed på 91,9 %. Den bedste nøjagtighed for disse datasæt opnås ved anvendelse af “PP”-repræsentationen, som giver en gennemsnitlig nøjagtighed på 92,3 %.
I de efterfølgende eksperimenter har vi udvalgt de tre bedste repræsentationer med hensyn til nøjagtighedsscore: “
ML-DSP for tre klasser af hvirveldyr
Som en anvendelse af ML-DSP ved hjælp af den numeriske repræsentation “PP” for DNA-sekvenser analyserede vi sættet af mtDNA-genomer fra hvirveldyr (medianlængde 16.606 bp). MoDMap, dvs. den flerdimensionale skalering 3D-visualisering af genomernes indbyrdes relationer som beskrevet af afstandene i afstandsmatricen, er illustreret i fig. 3. Datasættet indeholder 3740 komplette mtDNA-genomer: 553 fuglegenomer, 2313 fiskegenomer og 874 pattedyrgenomer. Kvantitativt set var den klassificeringsnøjagtighedsscore, der blev opnået af den kvadratiske SVM-klassifikator, 100 %.
MoDMap af 3740 komplette mtDNA-genomer i subphylum Vertebrata, i tre klasser: Fugle (blå, Aves: 553 genomer), fisk (rød, Actinopterygii 2176 genomer, Chondrichthyes 130 genomer, Coelacanthiformes 2 genomer, Dipnoi 5 genomer), og pattedyr (grøn, Mammalia: 874 genomer). Nøjagtigheden af ML-DSP-klassifikationen i tre klasser, ved hjælp af den kvadratiske SVM-klassifikator, med den numeriske repræsentation “PP” og PCC mellem størrelsesspektrer af DFT, var 100 %
Klassificering af genomer med ML-DSP, på alle taksonomiske niveauer
Vi testede ML-DSP’s evne til at klassificere komplette mtDNA-sekvenser på forskellige taksonomiske niveauer. For hvert datasæt testede vi ved hjælp af de numeriske repræsentationer “PP”, “Just-A” og “Real”.
Startpunktet var domæne Eukaryota (7396 sekvenser), som blev klassificeret i kongeriger, derefter blev kongeriget Animalia klassificeret i fylaer osv. På hvert niveau valgte vi den klynge med det højeste antal sekvenser og klassificerede den derefter i subklynger på det næste taksonomiske niveau. Det laveste niveau, der blev klassificeret, var familien Cyprinidae (81 sekvenser) i dens seks slægter. For hvert datasæt testede vi alle seks klassifikatorer, og det maksimale resultat af disse seks klassifikationsnøjagtigheder for hvert datasæt er vist i tabel 4.
Bemærk, at på hvert taksonomisk niveau er de maksimale klassifikationsnøjagtighedsscorer (blandt de seks klassifikatorer) for hver af de tre betragtede numeriske repræsentationer høje og ligger fra 91.4 % til 100 %, med kun tre scoringer under 95 %. Da denne analyse heller ikke afslørede en klar vinder blandt de tre bedste numeriske repræsentationer, rejste spørgsmålet sig, om den anvendte numeriske repræsentation overhovedet havde nogen betydning. For at besvare dette spørgsmål udførte vi to yderligere eksperimenter, som udnytter det faktum, at Pearson-korrelationskoefficienten er skalauafhængig og kun leder efter et mønster, når vi sammenligner signaler. I det første eksperiment valgte vi de tre bedste numeriske repræsentationer (“PP”, “Just-A” og “Real”), og for hver sekvens i et givet datasæt blev en numerisk repræsentation blandt disse tre tilfældigt og med samme sandsynlighed valgt som det digitale signal, der repræsenterer den. Resultaterne er vist under kolonnen “Random3” i tabel 4: Den maksimale nøjagtighedsscore for alle datasættene er 96 %. Dette er næsten det samme som den nøjagtighed, der blev opnået, når der blev anvendt en bestemt numerisk repræsentation (1 % lavere, hvilket ligger godt inden for den eksperimentelle fejl). Vi gentog derefter dette eksperiment, denne gang ved at vælge tilfældigt fra en af de tretten numeriske repræsentationer, der blev overvejet. Resultaterne er vist under kolonnen “Random13” i tabel 4, og den gennemsnitlige nøjagtighedsscore for tabellen er 88,1 %.
Overordnet set tyder vores resultater på, at alle tre numeriske repræsentationer “PP”, “Just-A” og “Real” har meget høje klassifikationsnøjagtighedsscorer (gennemsnit >97%), og selv et tilfældigt valg af en af disse repræsentationer for hver sekvens i datasættet påvirker ikke ML-DSP’s klassifikationsnøjagtighedsscore væsentligt (gennemsnit 96%).
Vi bemærker også, at ML-DSP ud over at være meget nøjagtig i sine klassifikationer er ultrahurtig. Selv for det største datasæt i tabel 2, subphylum Vertebrata (4322 komplette mtDNA-genomer, gennemsnitslængde 16 806 bp), varede afstandsmatrixberegningen (som er hovedparten af klassifikationsberegningen) under 5 s. Det tog 0,06 s at klassificere et nyt mtDNA-genom for primater, når det blev trænet på 148 mtDNA-genomer for primater, og det tog 7 s at klassificere et nyt mtDNA-genom for hvirveldyr, når det blev trænet på de 4322 mtDNA-genomer for hvirveldyr. Resultatet blev opdateret med et eksperiment, hvor QSVM blev trænet på de 4322 fuldstændige hvirveldyrgenomer i tabel 2 og querried på de 694 nye mtDNA-genomer fra hvirveldyr, der blev uploadet på NCBI mellem den 17. juni 2017 og den 7. januar 2019. Nøjagtigheden af klassificeringen var 99,6 %, og kun tre reptil mtDNA-genomer blev fejlklassificeret som amfibiegenomer: Bavayia robusta, robust skovbavayia – en art af gekko, NC_034780, Mesoclemmys hogei, Hoge’s paddehovedskildpadde, NC_036346, og Gonatodes albogularis, gulhovedet gekko, NC_035153.
MoDMap-visualisering vs. ML-DSP kvantitative klassifikationsresultater
Hypotesen, der blev testet ved de næste eksperimenter, var, at den kvantitative nøjagtighed af klassifikationen af DNA-sekvenser ved ML-DSP ville være betydeligt højere end antydet af den visuelle gruppering af taxaer i MoDMap produceret med den samme parvise afstandsmatrix.
Som eksempel visualiserer MoDMap i fig. 4a afstandsmatricen for mtDNA-genomer fra familien Cyprinidae (81 genomer) med dens slægter Acheilognathus (10 genomer), Rhodeus (11 genomer), Schizothorax (19 genomer), Labeo (19 genomer), Acrossocheilus (12 genomer), Onychostoma (10 genomer); kun de slægter med mindst 10 genomer er taget i betragtning. MoDMap synes at indikere et overlap mellem grupperne Acheilognathus og Rhodeus, hvilket er biologisk plausibelt, da disse slægter tilhører den samme underfamilie Acheilognathinae. Ved at zoome ind ved at tegne et MoDMap kun af disse to slægter, som vist i fig. 4b, kan man imidlertid se, at klyngerne er klart adskilt visuelt. Denne adskillelse bekræftes af det faktum, at nøjagtighedsscoren for den kvadratiske SVM-klassifikator for datasættet i fig. 4b er 100 %. Den samme kvantitative nøjagtighedsscore for klassificeringen af datasættet i fig. 4a med Quadratic SVM er 91,8 %, hvilket intuitivt set er meget bedre, end det tilsvarende MoDMap ville antyde. Dette skyldes sandsynligvis, at MoDMap er en tredimensionel tilnærmelse af de gen-repræsentative punkters positioner i et flerdimensionelt rum (antallet af dimensioner er (n-1), hvor n er antallet af sekvenser).
MoDMap af familien Cyprinidae og dens slægter. (a): Slægterne Acheilognathus (blå, 10 genomer), Rhodeus (rød, 11 genomer), Schizothorax (grøn, 19 genomer), Labeo (sort, 19 genomer), Acrossocheilus (magenta, 12 genomer), Onychostoma (gul, 10 genomer); (b): Slægterne Acheilognathus og Rhodeus, som overlappede hinanden i (a), er visuelt adskilt, når de er plottet separat i (b). Klassifikationsnøjagtigheden med Quadratic SVM for datasættet i (a) var 91,8 %, og for datasættet i (b) var den 100 %
Da dette er sagt, kan MoDMaps stadig tjene til udforskningsformål. For eksempel tyder MoDMap i fig. 4a på, at arter af slægten Onychostoma (underfamilie opført som “ukendt” i NCBI) (gul), kan være genetisk beslægtet med arter af slægten Acrossocheilus (underfamilien Barbinae) (magenta). Ved en nærmere undersøgelse af afstandsmatricen finder man, at afstanden mellem centroiderne i disse to klynger faktisk er mindre end afstanden mellem hver af disse to klyngecentroider til de andre klyngecentroider. Dette understøtter hypoteserne, baseret på morfologiske beviser , at slægten Onychostoma tilhører underfamilien Barbinae, henholdsvis at slægten Onychostoma og slægten Acrossocheilus er nært beslægtede . Bemærk, at denne undersøgelse, som MoDMap har foreslået og bekræftet ved beregninger baseret på afstandsmatrixen, ikke kunne have været iværksat på grundlag af ML-DSP alene (eller andre overvågede maskinlæringsalgoritmer), da ML-DSP kun forudsiger klassificeringen af nye genomer i en af de taxa, som den blev trænet på, og ikke giver nogen andre supplerende oplysninger.
Som et andet sammenligningspunkt mellem MoDMaps og superviserede maskinlæringsresultater viser fig. 5a MoDMapet for superordenen Ostariophysi med dens ordener Cypriniformes (643 genomer), Characiformes (31 genomer) og Siluriformes (107 genomer). MoDMapet viser, at klyngerne overlapper hinanden, men den kvadratiske SVM-klassifikator, der kvantitativt klassificerer disse genomer, har en nøjagtighed på 99 %. Forvekslingsmatricen i fig. 5b viser, at Quadratic SVM kun fejlklassificerer 8 sekvenser ud af 781 (husk, at for m klynger har m×m-forvekslingsmatricen rækker mærket med de sande klasser og kolonner mærket med de forudsagte klasser; cellen (i,j) viser antallet af sekvenser, der tilhører den sande klasse i, og som er blevet forudsagt til at tilhøre klasse j). Dette viser, at når den visuelle repræsentation i et MoDMap viser klyngeoverlapninger, kan dette kun skyldes dimensionalitetsreduktionen til tre dimensioner, mens ML-DSP faktisk giver en langt bedre kvantitativ klassificering baseret på den samme afstandsmatrix.
MoDMap af overordenen Ostariophysi og forvirringsmatrixen for den kvadratiske SVM-klassifikation af denne overorden i ordener. (a): MoDMap af ordnerne Cypriniformes (blå, 643 genomer), Characiformes (rød, 31 genomer), Siluriformes (grøn, 107 genomer). (b): Forvekslingsmatrixen genereret af Quadratic SVM, der illustrerer den sande klasse i forhold til den forudsagte klassepræstation (fra top til bund og fra venstre til højre: Cypriniformes, Characiformes, Siluriformes). Tallene i firkanterne i diagonalen fra øverst til venstre til nederst til højre (blå) angiver antallet af korrekt klassificerede DNA-sekvenser, efter rækkefølge. De lyserøde firkanter uden for diagonalen angiver, at 6 mtDNA-genomer fra ordenen Characiformes fejlagtigt er blevet forudsagt til at tilhøre ordenen Cypriniformes (midt til venstre), og at 2 mtDNA-genomer fra ordenen Siluriformes fejlagtigt er blevet forudsagt til at tilhøre ordenen Cypriniformes (nederst til venstre). Den kvadratiske SVM, der genererede denne forvirringsmatrix, havde en klassificeringsnøjagtighed på 99 %
Anvendelser på andre genomiske datasæt
De to eksperimenter i dette afsnit viser, at anvendeligheden af vores metode ikke er begrænset til mitokondrielle DNA-sekvenser. Det første eksperiment, fig. 6a, viser MoDMap af alle 4721 komplette sekvenser af denguevirus, der var tilgængelige i NCBI den 10. august 2017, klassificeret i undertyperne DENV-1 (2008 genomer), DENV-2 (1349 genomer), DENV-3 (1010 genomer) og DENV-4 (354 genomer). Den gennemsnitlige længde af disse komplette virale genomer er 10 595 bp. På trods af at dengueviralgenomerne er meget ens, var nøjagtigheden af klassificeringen af dette datasæt i undertyper ved hjælp af den kvadratiske SVM-klassificator 100 %. Det andet eksperiment, fig. 6b, viser MoDMap af 4710 bakteriegenomer, der er klassificeret i tre fylaer: Spirochaetes (437 genomer), Firmicutes (1129 genomer) og Proteobacteria (3144 genomer). Den gennemsnitlige længde af disse komplette bakteriegenomer er 104 150 bp, med en maksimal længde på 499 136 bp og en minimumslængde på 20 019 bp. Klassifikationsnøjagtigheden for den kvadratiske SVM-klassifikator for dette datasæt var 95,5 %.
(a) MoDMap af 4271 genomer af denguevirus. Farverne repræsenterer virussubtyperne DENV-1 (blå, 2008 genomer), DENV-2 (rød, 1349 genomer), DENV-3 (grøn, 1010 genomer), DENV-4 (sort, 354 genomer); klassifikationsnøjagtigheden for den kvadratiske SVM-klassifikator for dette datasæt var 100 %. (b) MoDMap af 4710 bakterielle genomer. Farverne repræsenterer bakteriefylaer: Spirochaetes (blå, 437 genomer), Firmicutes (rød, 1129 genomer), Proteobacteria (grøn, 3144 genomer). Nøjagtigheden af den kvadratiske SVM-klassifikator for dette datasæt var 95,5 %
Sammenligning af ML-DSP med state-of-the-art alignment-baserede og alignment-fri værktøjer
De beregningsmæssige eksperimenter i dette afsnit sammenligner ML-DSP med tre state-of-the-art alignment-baserede og alignment-fri metoder: det alignment-baserede værktøj MEGA7 med alignment ved hjælp af MUSCLE og CLUSTALW , og den alignment-fri metode FFP (Feature Frequency Profiles) .
Til denne ydelsesanalyse har vi valgt tre datasæt. De to første datasæt er benchmark-datasæt, der anvendes i andre undersøgelser af genetiske sekvenssammenligninger : Det første datasæt omfatter 38 influenzavirusgenomer, og det andet datasæt omfatter 41 komplette mtDNA-sekvenser fra pattedyr. Det tredje datasæt, som vi har valgt, er meget større og består af 4 322 komplette mtDNA-sekvenser fra hvirveldyr, og det blev valgt for at sammenligne skalerbarhed.
For de alignment-baserede metoder brugte vi afstandsmatrixen beregnet i MEGA7 fra sekvenser, der er alignet med enten MUSCLE eller CLUSTALW. For den justeringsfrie FFP anvendte vi standardværdien k=5 for k-mere (en k-mer er enhver DNA-sekvens af længde k; enhver forøgelse af værdien af parameteren k, for det første datasæt, resulterede i en lavere klassificeringsnøjagtighedsscore for FFP). For ML-DSP valgte vi den numeriske Integer-repræsentation og beregnede den gennemsnitlige klassifikationsnøjagtighed over alle seks klassifikatorer for de to første datasæt og over alle klassifikatorer undtagen Subspace Discriminant og Subspace KNN for det tredje datasæt.
Tabel 5 viser sammenligningen af ydelsen (klassifikationsnøjagtighed og behandlingstid) for disse fire metoder. Behandlingstiden omfattede alle beregninger, lige fra læsning af datasættene til færdiggørelse af afstandsmatricen – det fælles element for alle fire metoder. De anførte behandlingstider omfatter ikke den tid, der er nødvendig til beregning af fylogenetiske træer, MoDMap-visualiseringer eller klassificering.
Som det fremgår af tabel 5 (kolonne 3, 4 og 6), overgår ML-DSP på overvældende vis den alignmentbaserede software MEGA7(MUSCLE/CLUSTALW) med hensyn til behandlingstid. Med hensyn til nøjagtighed var den gennemsnitlige nøjagtighed af ML-DSP og MEGA7(MUSCLE/CLUSTALW) sammenlignelig for de mindre benchmark-datasæt for virus og pattedyr, sandsynligvis på grund af den lille størrelse af træningssættet for ML-DSP. Fordelen ved ML-DSP i forhold til de justeringsbaserede værktøjer blev mere tydelig for det større datasæt for hvirveldyr, hvor nøjagtigheden af ML-DSP og de justeringsbaserede værktøjer ikke engang kunne sammenlignes, da de justeringsbaserede værktøjer var så langsomme, at de måtte afbrydes. I modsætning hertil klassificerede ML-DSP hele sættet af 4322 mtDNA-genomer fra hvirveldyr på 28 s med en gennemsnitlig klassifikationsnøjagtighed på 98,3 %. Dette indikerer, at ML-DSP er betydeligt mere skalerbart end det justeringsbaserede MEGA7(MUSCLE/CLUSTALW), da det hurtigt og præcist kan klassificere datasæt, som justeringsbaserede værktøjer ikke engang kan behandle.
Som det fremgår af tabel 5 (kolonne 5 og 6), klarer ML-DSP sig betydeligt bedre end den justeringsfrie software FFP med hensyn til nøjagtighed (gennemsnitlig klassifikationsnøjagtighed 98.3 % for ML-DSP mod 48,3 % for FFP for det store datasæt for hvirveldyr), samtidig med at det er generelt hurtigere.
Denne sammenligning viser også, at for disse datasæt har begge justeringsfrie metoder (ML-DSP og FFP) en overvældende fordel i forhold til de justeringsbaserede metoder (MEGA7 (MUSCLE/CLUSTALW)) med hensyn til behandlingstid. Når man sammenligner de to justeringsfrie metoder med hinanden, overgår ML-DSP desuden FFP betydeligt med hensyn til klassifikationsnøjagtighed.
Som en anden sammenligningsvinkel viser fig. 7 MoDMaps af det første benchmark-datasæt (38 influenzavirusgenomer), der er fremstillet ud fra afstandsmatricer genereret af henholdsvis FFP, MEGA7 (MUSCLE), MEGA7 (CLUSTALW) og ML-DSP. Figur 7a viser, at det med FFP er vanskeligt at observere en visuel opdeling af datasættet i klynger af undertyper. Figur 7b, MEGA7 (MUSCLE) og figur 7c MEGA7 (CLUSTALW) viser overlapninger af klynger af punkter, der repræsenterer subtyperne H1N1 og H2N2. I modsætning hertil viser fig. 7d, som visualiserer afstandsmatricen produceret af ML-DSP, en klar adskillelse mellem alle undertyperne.
MoDMaps af influenzavirusdatasættet fra tabel 5, baseret på de fire metoder. Punkterne repræsenterer virale genomer af subtyperne H1N1 (rød, 13 genomer), H2N2 (sort, 3 genomer), H5N1 (blå, 11 genomer), H7N3 (magenta, 5 genomer) og H7N9 (grøn, 6 genomer); ModMaps er genereret ved hjælp af afstandsmatricer beregnet med (a) FFP; (b) MEGA7(MUSCLE); (c) MEGA7(CLUSTALW); (d) ML-DSP
Endeligt Figs. 8 og 9 viser de fylogenetiske træer, der er genereret af hver af de fire betragtede metoder. Figur 8a, træet genereret af FFP, har mange fejlklassificerede genomer, hvilket var forventet i betragtning af MoDMap-visualiseringen af dets afstandsmatrix i figur 7a. Figur 9a viser det fylogenetiske træ genereret af MEGA7, som var det samme for både MUSCLE og CLUSTALW: Det har kun ét forkert klassificeret H5N1-genom, der er placeret i midten af H1N1-genomer. Figur 8b og 9b viser det fylogenetiske træ, der er genereret ved hjælp af den afstand, der er produceret af ML-DSP (vist to gange, parallelt med de andre træer, for at lette sammenligningen). ML-DSP klassificerede alle genomer korrekt.
Sammenligning af fylogenetiske træer: FFP med ML-DSP. Det fylogenetiske træ, der er genereret for 38 influenzavirusgenomer ved hjælp af (a): FFP (a) (b): ML-DSP
Fylogenetisk træ sammenligning: MEGA7(MUSCLE/CLUSTALW) med ML-DSP. Det fylogenetiske træ, der er genereret for 38 influenzavirusgenomer ved hjælp af (a): MEGA7(MUSCLE/CLUSTALW) (b): ML-DSP
Diskussion
Den beregningsmæssige effektivitet af ML-DSP skyldes det faktum, at den er uden alignment (og derfor ikke har brug for multiple sequence alignment), mens kombinationen af 1D numeriske repræsentationer, Discrete Fourier Transform og Pearson Correlation Coefficient gør den ekstremt beregningsmæssigt tidseffektiv og dermed skalerbar.
ML-DSP er ikke uden begrænsninger. Vi forudser, at behovet for sekvenser af samme længde og brugen af længde-normalisering kan medføre problemer med undersøgelse af små fragmenter af større genomsekvenser. Normalt varierer genomer i længde, og derfor resulterer længde-normalisering altid i, at der tilføjes (up-sampling) eller tabes (down-sampling) nogle oplysninger. Selv om Pearsonkorrelationskoefficienten kan skelne signalmønstre selv i små sekvensfragmenter, og vi fandt ikke nogen væsentlig ulempe, mens vi betragtede komplette mitokondrie-DNA-genomer med deres uundgåelige længdevariationer, kan længde-normalisering give problemer, når vi beskæftiger os med fragmenter af genomer og de meget større nukleare genomsekvenser.
Sidst har ML-DSP to ulemper, der er iboende i enhver overvåget maskinlæringsalgoritme. Den første er, at ML-DSP er en black-box-metode, der ganske vist giver en meget præcis klassifikationsforudsigelse, men som ikke giver en (biologisk) forklaring på sit output. Den anden er, at den er afhængig af, at der findes et træningssæt, hvorfra den henter sin “viden”, dvs. et sæt bestående af kendte genomiske sekvenser og deres taksonomiske etiketter. ML-DSP bruger et sådant træningssæt til at “lære” at klassificere nye sekvenser i en af de taksonomiske klasser, som den er blevet trænet på, men den er ikke i stand til at henføre den til et taxon, som den ikke har været udsat for.