Учебный сайт Алены Корягиной

ROC-кривая

Белки обычно состоят из одного или нескольких функциональных областей или доменов. Различные комбинации доменов порождают многообразие белков в природе. Нахождение того или иного домена в белке, может предоставить информацию о функциях белка. Для поиска домена в белке используется, так называемый, поиск по профилю. Профиль строится на основании выравнивания достоверных доменов с помощью программы hmm2build и калибруется с помощью программы hmm2calibrate. Далее осуществляется поиск по интересующим последовательностям с помощью программы hmm2search. В итоге мы получаем файл, в котором каждой последовательности соответствует число, - нормализованный вес или Evalue – оценивающее сходство последовательности и домена . Для того чтобы выбрать последовательности, в которых мы будем считать нахождение домена достоверным, необходимо выбрать порог веса, выше значения которого принимаем предсказание домена верным. Для выбора порога необходимо построить ROC-кривую.

Для построения этой кривой нужно провести поиск по профилю на множестве последовательностей с известным ответом. Далее рассчитываются параметры чувствительности и специфичности поиска. Допустим, что в качестве оценки сходства последовательности и домена мы имеем нормализованный вес. Отсортируем таблицу по убыванию веса. Для каждого значения веса предположим, что именно оно является порогом, и посчитаем 4 переменных: 1) количество последовательностей, которое выше этого порога и достоверно содержит искомый домен (переменная TruePositiv), 2) количество последовательностей, которое ниже порога и достоверно не содержит домен (TrueNegative), 3) количество последовательностей, которое выше порога, но на самом деле не содержит домена (FalsePositiv), и 4) количество последовательностей, которое ниже порога, но достоверно содержит домен (FalseNegative). Чувствительность поиска — это доля достоверно предсказанных белков, содержащих домен, от общего количества последовательностей, известно содержащих домен (TP/(TP+FN)), а специфичность — доля достоверно предсказанных белков, не содержащих домен, от общего количества последовательностей, известно не содержащих этот домен (TN/(TN+FP)). Далее строится график зависимости чувствительности от параметра 1 минус специфичность.

В итоге получаем ROC-кривую (пример ROC-кривой см. на рис 1). На этой кривой можно выбрать точку, которой соответствуют достаточно высокие значения чувствительности и специфичности, и по этим значениям найти порог для предсказания. В зависимости от целей поиска эта точка может быть выбрана по разному. Например, если в исследуемых последовательностях нужно найти максимально ВСЕ последовательности, в которых может содержаться домен, то выбирается более высокий параметр специфичности, а если нужно выбрать последовательности, в которых ТОЧНО содержится искомый домен, то выбирается точка, с более высоким значением чувствительности.

Рис. 1. Пример ROC-кривой. Изображение получено с помощью Excel.

Таким образом, выбрав порог, мы считаем, что последовательности, значение веса которых выше порога, содержат исследуемый домен, и, наоборот, последовательности вес которых ниже порога, не содержат этот домен.