A Bioinformatics Framework for Genomic Region Classification Using Canonical k-mers and Machine Learning

Accurate identification of gene-derived versus intergenic regions is a fundamental prerequisite for downstream genomic analyses, yet distinguishing these sequence types remains challenging when only short DNA windows are available. In this study, a scalable machine-learning framework was developed that integrates canonical k-mer representations with robust classifiers to discriminate 300 bp windows extracted from the Drosophila melanogaster genome. A balanced dataset of 1,000 gene-derived and 1,000 intergenic windows was encoded using canonical 3-mer and 4-mer frequencies combined with GC-content, yielding a 169-dimensional feature matrix. Logistic Regression, Random Forest, and Gradient Boosting models were evaluated using GroupKFold cross-validation to prevent gene-family leakage. All models achieved consistently high performance, with Gradient Boosting attaining the best overall results (Accuracy = 0.865, F1 = 0.868, MCC = 0.731, AUROC = 0.932, AUPRC = 0.918). SHAP-based feature attribution revealed that the GCC motif (mean |SHAP| = 0.50) and GC-content (0.48) were the most influential predictors, indicating that both specific short motifs and broader compositional patterns provide strong discriminative signals between genic and intergenic windows. Baseline comparisons demonstrated that alignment-based BLAST performed poorly on this task (Accuracy = 0.503), while a minimal 1D-CNN achieved performance comparable to classical machine-learning models, underscoring the efficiency and competitiveness of k-mer–based representations. Overall, the findings show that canonical k-mer features, when coupled with well-calibrated machine-learning models, offer an accurate, interpretable, and computationally efficient strategy for short-window genomic classification. This framework holds promise for improving large-scale genome annotation pipelines and may be extended to diverse taxa, metagenomic data, and real-time bioinformatics workflows.

Gen kaynaklı (genic) ve gen dışı (intergenic) bölgelerin doğru şekilde ayrıştırılması, genomik analizlerin birçok aşaması için temel bir gerekliliktir; ancak bu bölgelerin yalnızca kısa DNA pencerelerine dayanarak ayırt edilmesi hâlen önemli bir zorluk oluşturmaktadır. Bu çalışmada, Drosophila melanogaster genomundan elde edilen 300 bp’lik dizileri sınıflandırmak amacıyla, kanonik k-mer temsillerini güçlü makine öğrenmesi sınıflandırıcılarıyla birleştiren ölçeklenebilir bir çerçeve geliştirilmiştir. Çalışmada, 1.000 gen kaynaklı ve 1.000 gen dışı pencereden oluşan dengeli bir veri seti kullanılmış; diziler kanonik 3-mer ve 4-mer frekansları ile GC içeriği temelinde 169 boyutlu bir özellik matrisine dönüştürülmüştür. Gen aileleri arasındaki benzerliğin eğitim–test sızıntısına yol açmaması için GroupKFold çapraz doğrulaması uygulanmıştır. Modeller genel olarak yüksek performans göstermiş ve en iyi sonuçlar Gradient Boosting sınıflandırıcısı tarafından elde edilmiştir (Doğruluk = 0.865, F1 = 0.868, MCC = 0.731, AUROC = 0.932, AUPRC = 0.918). SHAP tabanlı özellik önem analizi, en etkili motiflerin GCC (ortalama |SHAP| = 0.50) ve GC içeriği (0.48) olduğunu ortaya koymuş; bu durum hem belirli kısa motiflerin hem de daha geniş kompozisyonel örüntülerin genik ve gen dışı bölgelerin ayrımında güçlü sinyaller taşıdığını göstermiştir. Karşılaştırmalı analizler, hizalama temelli BLAST yönteminin bu problemde düşük performans sergilediğini (Doğruluk = 0.503), buna karşılık minimal bir 1D-CNN modelinin klasik makine öğrenimi yöntemleriyle benzer doğruluk düzeylerine ulaştığını göstermiştir. Bu sonuçlar, k-mer temelli temsilin verimliliğini ve rekabet gücünü desteklemektedir. Genel olarak bulgular, kanonik k-mer özelliklerinin iyi kalibre edilmiş makine öğrenmesi modelleriyle birleştirildiğinde kısa DNA pencerelerinin yüksek doğrulukla, yorumlanabilir ve hesaplamalı olarak verimli bir şekilde sınıflandırılmasını mümkün kıldığını ortaya koymaktadır. Bu çerçeve, büyük ölçekli genom anotasyon süreçlerinin iyileştirilmesi için önemli bir potansiyel taşımakta olup, farklı taksonlara, metagenomik veri setlerine ve gerçek zamanlı biyoinformatik uygulamalarına uyarlanabilir niteliktedir.