MiPepid 설치 및 이해

MiPepid 설치 및 이해

MiPepid에 대해 알아보자

MiPepid(Micropeptide identification tool)는 sORF(short Open Reading Frame)의 코딩 가능성을 머신러닝으로 예측하는 도구이다.

Mengmeng Zhu, Michael Gribskov. MiPepid: Micropeptide identification tool using machine learning. BMC Bioinformatics 20, 559 (2019)

sORF는 stop codon을 포함하여 303bp 이하의 짧은 ORF로, 번역 시 100개 아미노산 이하의 micropeptide를 인코딩한다. Micropeptide는 크기가 작아 역할이 규명되지 않았던 과거에 비해, 최근에는 생물학적인 역할이 암 등에서 활발하게 연구되고 있다.

MiPepid는 입력으로 DNA fasta 파일을 받아 3개의 translation frame에서 모든 sORF를 찾고, 각 sORF에 대해 coding/noncoding 여부와 그 확률을 예측해준다.

RNA나 단백질 서열이 아닌 순수한 DNA 서열로 구성된 FASTA 파일이어야 input으로 제대로 작동한다. (ATCG 4가지 염기로만 구성되어야 함)

설치

1. 레포지토리 클론

실행하는데 있어서 linux 기반의 시스템이나 python3를 실행할 수 있으면 크게 상관없다.

git clone https://github.com/MindAI/MiPepid.git
cd MiPepid

클론 후 디렉토리 구조:

MiPepid/
├── README.md
├── datasets.tar.gz
├── MiPepid_predictions_on_uORF_and_lncRNA.tar.gz
├── demo_files/
│   └── sample_seqs.fasta
└── src/
    ├── mipepid.py      # 메인 실행 스크립트
    ├── ML.py            # 머신러닝 모델 로딩 및 예측
    ├── ORF.py           # ORF 탐색 로직
    └── model/
        └── model.pkl    # 학습된 Logistic Regression 모델

2. Python 의존성 설치

README에 명시된 의존성은 다음 3가지이다:

pip3 install numpy pandas biopython

하지만, 위 dependency만 설치해서 실행하는 경우 에러가 뜨는데, model.pkl은 scikit-learn의 LogisticRegression 모델을 pickle로 직렬화한 파일이므로, scikit-learn과 그 의존성인 scipy도 함께 설치해야 한다.

pip3 install scikit-learn

3. scikit-learn 호환성 문제 해결

Dependency를 모두 설치한 것 같지만, 서로서로 버전 호환이 되지 안는 문제가 발생힌다:

ModuleNotFoundError: No module named 'sklearn.linear_model.logistic'

model.pkl 파일은 scikit-learn 0.19.1에서 생성되었기 때문. Logistic Regression 클래스의 모듈 경로는 sklearn.linear_model.logistic이었으나, 최신 버전에서는 sklearn.linear_model._logistic으로 변경되었다고 한다. pickle은 직렬화 시 모듈 경로를 그대로 저장하기 때문에, 구버전의 모듈 경로를 찾으려다 실패하는 것이다.

해결: Custom Unpickler 작성

구버전 scikit-learn을 설치해도 해결이 되지 않아서, pickle.Unpickler를 상속하여 모듈 경로를 매핑할 수 밖에 없었다. src/ML.py의 load_model 함수를 다음과 같이 수정한다:

# src/ML.py 수정 내용

class _CompatUnpickler(pickle.Unpickler):
  def find_class(self, module, name):
    # Handle renamed sklearn module from older pickle files
    if module == 'sklearn.linear_model.logistic':
      module = 'sklearn.linear_model._logistic'
    return super().find_class(module, name)

def load_model(model_fname = './src/model/model.pkl'):
  f = open(model_fname, 'rb')
  logr = _CompatUnpickler(f).load()
  threshold = _CompatUnpickler(f).load()
  f.close()
  return logr, threshold

변경 포인트:

• pickle.load(f) → _CompatUnpickler(f).load()
• _CompatUnpickler.find_class()에서 구버전 모듈 경로를 신버전으로 리다이렉트

4. 실행 및 검증

기본 사용법

cd MiPepid
python3 ./src/mipepid.py <입력_fasta_파일> [출력_csv_파일]

• 출력 파일을 지정하지 않으면 Mipepid_results.csv가 현재 디렉토리에 생성된다.
• 반드시 MiPepid/ 디렉토리에서 실행해야 한다 (모델 파일 경로가 ./src/model/model.pkl로 하드코딩되어 있음).

데모 실행

python3 ./src/mipepid.py ./demo_files/sample_seqs.fasta ./demo_files/MiPepid_results.csv

출력 결과 예시

sORF_ID	sORF_seq	transcript_DNA_sequence_ID	start_at	end_at	classification	probability
seq1_ORF1	ATGGGCCGGAAACG…	seq1	925	1209	coding	0.991
seq1_ORF6	ATGAACCTGAAGGT…	seq1	683	964	coding	0.998
seq1_ORF10	ATGGTGAGGGCATGGTGA	seq1	947	964	noncoding	0.596

output 해석

• sORF_ID: 발견된 sORF의 고유 ID
• sORF_seq: 해당 sORF의 DNA서열 (시작 코돈 ATG와 종결 코돈 포함)
• transcript_DNA_sequence_ID: 이 sORF가 추출된 원본 DNA 서열의 ID
• start_at: 원본 DNA 서열에서의 sORF 시작 위치 (1-based index)
• end_at: 원본 DNA 서열에서의 sORF 종료 위치 (1-based index)
• classification: 예측된 클래스 (coding 또는 noncoding)
• probability: 해당 클래스로 분류될 확률