Profile TildeCRF: A New Tool for Protein Homology Detection

A detecção de proteínas homólogas tem sido uma das questões mais importantes no campo da bioinformática. O profile hidden Markov model tem sido bem-sucedido na resolução desse problema, porém ele permanece um classificador do tipo generativo, o que é hipoteticamente menos preciso que modelos discriminativos, tais como Conditional Random Fields. Esforços para combinar profile HMM com CRF têm sido sugeridos na literatura, porém nenhuma implementação prática ou nenhum resultado experimental foram disponibilizados até então. A fim de testar a superioridade do CRF sobre o HMM na detecção de homologias de proteínas, nós implementamos o profile TildeCRF, uma nova ferramenta que combina o desenho do profile HMM com a abordagem discriminativa do CRF e com o poder de expressão das Árvores de Regressão Lógicas. Nós executamos experimentos do tipo leave-one-family-out em um conjunto de sequências de proteínas para mensurar a acurácia do método proposto e compará-lo ao profile HMM. Ao contrário das expectativas, os resultados mostraram que o profile TildeCRF é menos preciso que o profile HMM. De fato, o CRF é mais adequado para problemas de rotulagem de sequências do que para a detecção de homologias entre proteínas, porque ele mede a probabilidade de uma sequência de rótulos dada uma sequência de observações e não, a probabilidade de uma observação ter sido gerada pelo modelo treinado, como faz o HMM.