Model deep learning untuk klasifikasi fragmen metagenom dengan spaced k-mers sebagai ekstraksi fitur

An open challenge in bioinformatics is the analysis of the sequenced metagenomes from the various environments. Several studies demonstrated bacteria classification at the genus level using k-mers as feature extraction where the highest value of k gives better accuracy but it is costly in terms of computational resources and computational time. Spaced k-mers method was used to extract the feature of the sequence using 111 1111 10001 where 1 was a match and 0 was the condition that could be a match or did not match. Currently, deep learning provides the best solutions to many problems in image recognition, speech recognition, and natural language processing. In this research, two different deep learning architectures, namely Deep Neural Network (DNN) and Convolutional Neural Network (CNN), trained to approach the taxonomic classification of metagenome data and spaced k-mers method for feature extraction. The result showed the DNN classifier reached 90.89 % and the CNN classifier reached 88.89 % accuracy at the genus level taxonomy.Tantangan dalam analisis dunia bioinformatika adalah analisis sekuens metagenom yang diambil dari berbagai lingkungan. Proses binning pada sampel metagenom dapat dilakukan dengan menghitung frekuensi kemunculan k-mers dari suatu sekuens metagenom. Ekstraksi fitur spaced k-mers dilakukan dengan membandingkan fragmen metagenom dengan substring berukuran k atau k-mers, namun membolehkan kondisi inexact matching (don’t care position). Deep Learning muncul kembali sebagai paradigma baru dalam machine learning yang memberikan solusi terbaik untuk banyak masalah dalam pengenalan pola. Penelitian ini bertujuan untuk membandingkan kinerja dua arsitektur deep learning, yaitu DNN dan CNN, untuk klasifikasi data metagenom menggunakan spaced k-mers sebagai ekstraksi fitur. Klasifikasi dengan menggunakan deep learning memberikan hasil yang lebih baik, yaitu 90,89 % menggunakan DNN dan 88,89 % menggunakan CNN, dibandingkan dengan naïve Bayes yang menghasilkan akurasi sebesar 85,42 % pada taksonomi tingkat genus