Journal of the Korean Institute of Intelligent Systems (한국지능시스템학회논문지)

Korean Institute of Intelligent Systems (한국지능시스템학회)
권호 표지
DOI QR코드

DOI QR Code

Classification of DNA Pattern Using Negative Selection

부정 선택을 이용한 DNA의 패턴 분류

  • 심귀보 (중앙대학교 전자전기공학부) ;
  • 이동욱 (중앙대학교 전자전기공학부)
  • Published : 2004.08.01
Download PDF
⟨ Previous Next ⟩

Abstract

According to revealing the DNA sequence of human and living things, it increases that a demand on a new computational processing method which utilizes DNA sequence information. In this paper we propose a classification algorithm based on negative selection of the immune system to classify DNA patterns. Negative selection is the process to determine an antigenic receptor that recognize antigens, nonself cells. The immune cells use this antigen receptor to judge whether a self or not. If one composes n group of antigenic receptor for n different patterns, they can classify into n patterns. In this paper we propose a pattern classification algorithm based on negative selection in nucleotide base level and amino acid level.

인간 및 여러 생물들의 DNA 서열이 밝혀짐에 따라 DNA 서열 정보를 이용할 수 있는 계산적 처리방식에 대한 요구가 늘어나고 있다. 본 논문에서는 DNA의 패턴을 분류할 수 있는 면역계 부정 선택에 기반 한 알고리즘을 제안한다. 부정 선택은 면역세포 생성시 자신을 인식하지 않는 항원 인식부를 생성하기 위한 과정이다. 이 항원 인식부를 통해 자기와 비자기를 구별한다. 이것을 n개의 자기 또는 비자기 집단으로 확장하고 n개의 항원 집단을 구성하면 n개의 패턴 분류가 가능하다. 본 논문에서는 부정 선택에 기반 한 DNA 염기 레벨에서의 패턴 분류방법과 아미노산 레벨에서의 패턴분류 방법을 제안한다.

Keywords

References

  1. P. Baldi, S. Brunak, Bioinformatics: The Machine Learning Approach, MIT Press, Cambridge, Mass., 2001.
  2. 김성동, 장병탁, “바이오 데이터 마이닝을 위한 기계학습 기법”, 정보과학회지, 제18권, 제8호, pp. 63-72, 2000.
  3. R. A. Wallace, G. P. Sanders, and R. J. Ferl, BIOLOGY: The Science of Life, 3rd edition, HarperCollins Publishers Inc., 1991.
  4. I. Roitt, J. Brostoff, D. Male, Immunology, 4th edition, Mosby, 1996.
  5. S. Forrest, A. S. Perelson, L. Allen, and R. Cherukuri “Self-nonself discrimination in a computer,” Proc. IEEE Symposium on Research in Security and Privacy, pp. 202-212, 1994.
  6. D. Dasgupta, S. Forrest, “An anomaly detection algorithm inspired by the immune system,” in Artificial Immune Systems and Their Applications, D. Dasgupta, Ed., Springer, pp. 262-276, 1999.
  7. P. D'haeseleer, S. Forrest, and P. Helman, “An immunological approach to change detection: algorithms, analysis, and implications,” Proc. IEEE Symp. Computer Security Privacy, pp. 110-119, 1996.
  8. J. Kim, and P. J. Bentley, “Towards an artificial immune system for network intrusion detection: An investigation of clonal selection with a negative selection operator,” Proc. Congr. Evolutionary Computation, pp. 1244-1252, 2001.
  9. K. B. Sim and D. W. Lee, “Self-nonself recognition algorithm based on positive and negative selection,” IEICE Trans. on Info. & Syst., vol. E87-D, no. 2, Feb. 2004.
  10. F. Esponda, S. Forrest, and P. Helman, “Formal framework for positive and negative detection scheme,” IEEE Trans. Syst., Man, and Cybern., Part B, vol. 34, no. 1, pp.357-373, Feb. 2004. https://doi.org/10.1109/TSMCB.2003.817026
  11. M. Gelfand, “Prediction of function in DNA sequence analysis,” J. Computational Biology, vol. 1, pp. 87-115, 1995.
  12. K. B. Hwang, D. Y. Cho, S. W. Park, S. D. Kim, and B. T. Zhang, “Applying machine learning techniques to analysis of gene expression data: Cancer diagnosis,” in Methods of Microarray Data Analysis, Kluwer Academic Publishers, pp. 167-182, 2002.
  13. G. B. Fogel, K. Chellapilla, and D. B. Fogel, “Identification of coding regions in DNA sequences using evolved neural networks,” in Evolutionary Computation in Bioinformatics, G. B. Fogel and D. W. Corne, Eds. San Francisco, CA: Morgan Kaufmann, pp. 196-218, 2003.
  14. Comparative RNA Web Site, URL:http://www.rna. icmb.utexas.edu/