1 André de Carvalho LABIC Utilizando Inteligência Artificial em Bioinformática Prof. André de...
Transcript of 1 André de Carvalho LABIC Utilizando Inteligência Artificial em Bioinformática Prof. André de...
1André de Carvalho
LABIC
Utilizando Inteligência Artificial em
Bioinformática
Prof. André de CarvalhoLABIC - Universidade de São Paulo
2André de Carvalho
LABIC Principais tópicos
Introdução Bioinformática Biologia Molecular Reconhecimento de Genes Utilizando Inteligência Artificial Conclusão
3André de Carvalho
LABIC IA e Bioinformática
BIOLOGIA
Redes Neurais, Algorítmos genéticos
COMPUTAÇÃO
Bioinformática
4André de Carvalho
LABIC Definições
Bioinformática Pesquisa e desenvolvimento de ferramentas
computacionais, matemáticas e estatísticas para a resolução de problemas da BiologiaBiologia molecular
A Computação está para a Biologia da mesmaforma que a Matemática está para a Física.
Harold Morowitz
5André de Carvalho
LABIC Bioinformática
Nos últimos anos, diversos laboratórios têm trabalhado no seqüenciamento de vários genomas Até o ano 2000:
Mais que 30 organismos tinham sido seqüenciados Cerca de 150 organismos estavam sendo seqüenciados
Determinação da seqüência de nucleotídeos em uma molécula é o primeiro passo para entender seu funcionamento
Beneficia várias áreasMedicina - Farmácia - Agricultura
6André de Carvalho
LABIC Crescimento do GenBank
0
2000000
4000000
6000000
8000000
10000000
12000000
1990 1992 1994 1996 1998 2000
Ano
Número de sequências armazenadas no banco de dados GenBank
7André de Carvalho
LABIC Andamento de projetos genoma
73 genomas completos publicados Humano Camundongo Drosophila Arabidopsis Levedura
212 de procariotos em andamento 157 de eucariotos em andamento
8André de Carvalho
LABIC Fração do genoma da levedura
CCACACCACACCCACACACCCACACACCACACCACACACCACACCACACCCACACACACACATCCTAACACTACCCTAACACAGCCCTAATCTAACCCTGGCCAACCTGTCTCTCAACTTACCCTCCATTACCCTGCCTCCACTCGTTACCCTGTCCCATTCAACCATACCACTCCGAACCACCATCCATCCCTCTACTTACTACCACTCACCCACCGTTACCCTCCAATTACCCATATCCAACCCACTGCCACTTACCCTACCATTACCCTACCATCCACCATGACCTACTCACCATACTGTTCTTCTACCCACCATATTGAAACGCTAACAAATGATCGTAAATAACACACACGTGCTTACCCTACCACTTTATACCACCACCACATGCCATACTCACCCTCACTTGTATACTGATTTTACGTACGCACACGGATGCTACAGTATATACCATCTCAAACTTACCCTACTCTCAGATTCCACTTCACTCCATGGCCCATCTCTCACTGAATCAGTACCAAATGCACTCACATCATTATGCACGGCACTTGCCTCAGCGGTCTATACCCTGTGCCATTTACCCATAACGCCCATCATTATCCACATTTTGATATCTATATCTCATTCGGCGGTCCCAAATATTGTATAACTGCCCTTAATACATACGTTATACCACTTTTGCACCATATACTTACCACTCCATTTATATACACTTATGTCAATATTACAGAAAAATCCCCACAAAAATCACCTAAACATAAAAATATTCTACTTTTCAACAATAATACATAAACATATTGGCTTGTGGTAGCAACACTATCATGGTATCACTAACGTAAAAGTTCCTCAATATTGCAATTTGCTTGAACGGATGCTATTTCAGAATATTTCGTACTTACACAGGCCATACATTAGAATAATATGTCACATCACTGTCGTAACACTCTTTATTCACCGAGCAATAATACGGTAGTGGCTCAAACTCATGCGGGTGCTATGATACAATTATATCTTATTTCCATTCCCATATGCTAACCGCAATATCCTAAAAGCATAACTGATGCATCTTTAATCTTGTATGTGACACTACTCATACGAAGGGACTATATCTAGTCAAGACGATACTGTGATAGGTACGTTATTTAATAGGATCTATAACGAAATGTCAAATAATTTTACGGTAATATAACTTATCAGCGGCGTATACTAAAACGGACGTTACGATATTGTCTCACTTCATCTTACCACCCTCTATCTTATTGCTGATAGAACACTAACCCCTCAGCTTTATTTCTAGTTACAGTTACACAAAAAACTATGCCAACCCAGAAATCTTGATATTTTACGTGTCAAAAAATGAGGGTCTCTAAATGAGAGTTTGGTACCATGACTTGTAACTCGCACTGCCCTGATCTGCAATCTTGTTCTTAGAAGTGACGCATATTCTATACGGCCCGACGCGACGCGCCAAAAAATGAAAAACGAAGCAGCGACTCATTTTTATTTAAGGACAAAGGTTGCGAAGCCGCACATTTCCAATTTCATTGTTGTTTATTGGACATACACTGTTAGCTTTATTACCGTCCACGTTTTTTCTACAATAGTGTAGAAGTTTCTTTCTTATGTTCATCGTATTCATAAAATGCTTCACGAACACCGTCATTGATCAAATAGGTCTATAATATTAATATACATTTATATAATCTACGGTATTTATATCATCAAAAAAAAGTAGTTTTTTTATTTTATTTTGTTCGTTAATTTTCAATTTCTATGGAAACCCGTTCGTAAAATTGGCGTTTGTCTCTAGTTTGCGATAGTGTAGATACCGTCCTTGGATAGAGCACTGGAGATGGCTGGCTTTAATCTGCTGGAGTACCATGGAACACCGGTGATCATTCTGGTCACTTGGTCTGGAGCAATACCGGTCAACATGGTGGTGAAGTCACCGTAGTTGAAAACGGCTTCAGCAACTTCGACTGGGTAGGTTTCAGTTGGGTGGGCGGCTTGGAACATGTAGTATTGGGCTAAGTGAGCTCTGATATCAGAGACGTAGACACCCAATTCCACCAAGTTGACTCTTTCGTCAGATTGAGCTAGAGTGGTGGTTGCAGAAGCAGTAGCAGCGATGGCAGCGACACCAGCGGCGATTGAAGTTAATTTGACCATTGTATTTGTTTTGTTTGTTAGTGCTGATATAAGCTTAACAGGAAAGGAAAGAATAAAGACATATTCTCAAAGGCATATAGTTGAAGCAGCTCTATTTATACCCATTCCCTCATGGGTTGTTGCTATTTAAACGATCGCTGACTGGCACCAGTTCCTCATCAAATATTCTCTATATCTCATCTTTCACACAATCTCATTATCTCTATGGAGATGCTCTTGTTTCTGAACGAATCATAAATCTTTCATAGGTTTCGTATGTGGAGTACTGTTTTATGGCGCTTATGTGTATTCGTATGCGCAGAATGTGGGAATGCCAATTATAGGGGTGCCGAGGTGCCTTATAAAACCCTTTTCTGTGCCTGTGACATTTCCTTTTTCGGTCAAAAAGAATATCCGAATTTTAGATTTGGACCCTCGTACAGAAGCTTATTGTCTAAGCCTGAATTCAGTCTGCTTTAAACGGCTTCCGCGGAGGAAATATTTCCATCTCTTGAATTCGTACAACATTAAACGTGTGTTGGGAGTCGTATACTGTTAGGGTCTGTAAACTTGTGAACTCTCGGCAAATGCCTTGGTGCAATTACGTAATTTTAGCCGCTGAGAAGCGGATGGTAATGAGACAAGTTGATATCAAACAGATACATATTTAAAAGAGGGTACCGCTAATTTAGCAGGGCAGTATTATTGTAGTTTGATATGTACGGCTAACTGAACCTAAGTAGGGATATGAGAGTAAGAACGTTCGGCTACTCTTCTTTCTAAGTGGGATTTTTCTTAATCCTTGGATTCTTAAAAGGTTATTAAAGTTCCGCACAAAGAACGCTTGGAAATCGCATTCATCAAAGAACAACTCTTCGTTTTCCAAACAATCTTCCCGAAAAAGTAGCCGTTCATTTCCCTTCCGATTTCATTCCTAGACTGCCAAATTTTTCTTGCTCATTTATAATGATTGATAAGAATTGTATTTGTGTCCCATTCTCGTAGATAAAATTCTTGGATGTTAAAAAATTATTATTTTCTTCATAAAGAAGCTTTCAAGATATAAGATACGAAATAGGGGTTGATAATTGCATGACAGTAGCTTTAGATCAAAAAGGAAAGCATGGAGGGAAACAGTAAACAGTGAAAATTCTCTTGAGAACCAAAGTAAACCTTCATTGAAGAGCTTCCTTAAAAAATTTAGAATCTCCCATGTCAACGGGTTTCCATACCTCCCCAGCATCATACATCTTTTTTCAAAGAAACTTCAAATGCCTCTTTTATGCAAGGGGCAAAATCCTGAAATGACTTAAACTTAGCAGTTTCGTCTTTTTTCAAAGAGAATGGTTGAAGAAGAATTGTTTTGGACGCTTATTGACAATCTGTTGCATTGATAAAGTACCTACTATCCCAGACTATATTTGTATACAAGTACAAAATTAGGTTTGTTGAAACAACTTTCCGATCATTGGTGCCCGTATCTGATGTTTTTTTAGTAATTTCTTTGTAAATACAGGGAGTTGTTTCGAAAGCTTATGAGAAAAATACATGAATGACAGGTAAAAATATTGGCTCGAAAAAGAGGACAAAAAGAGAAATCATAAATGAGTAAACCCACTTGCTGGACATTATCCAGTAAAGGCTTGGTAGTAACCATAATATTACCCAGGTACGAAACGCTAAGAACCTTGAAAGACTCATAAAACTTCCAGGTTAAGCTATTTTTGAAAATATTCTGAGGTAAAAGCCATTAAGGTCCAGATAACCAAGGGACAATAAACCTATGCTTTTCTTGTCTTCAATTTCAGTATCTTTCCATTTTGATAATGAGCATGTGATCCGGAAAGCTACTTTATGATGTTTCAAGGCCTGAAGTTTGAATATTTATGTAGTTCAACATCAAATGTGTCTATTTTGTGATGAGGCAACCGTCGACAACCTTATTATCGAAAAAGAACAACAAGTTCACATGCTTGTTACTCTCTATAACTAGAGAGTACTTTTTTTGGAAGCAAGTAAGAATAAGTCAATTTCTACTTACCTCATTAGGGAAAAATTTAATAGCAGTTGTTATAACGACAAATACAGGCCCTAAAAAATTCACTGTATTCAATGGTCTACGAATCGTCAATCGCTTGCGGTTATGGCACGAAGAACAATGCAATAGCTCTTACAAGCCACTACATGACAAGCAACTCATAATTTAA
9André de Carvalho
LABIC Bioinformática
Ênfase está se deslocando progressivamente da acumulação de dados para a sua interpretação Com os seqüenciamentos realizados, uma grande
quantidade de dados tem sido gerada Estes dados precisam agora ser analisados Análise laboratorial destes dados é difícil e cara
Ferramentas computacionais sofisticadas são necessárias para a análise dos dados obtidos
10André de Carvalho
LABIC Bioinformática
Para muitas destas análises, as ferramentas computacionais precisam lidar com dados imprecisos e ruidosos Técnicas de laboratório de Biologia Molecular
quase sempre geram dados com erros ou imprecisõesNa medição dos valores ou definição das classes
Inteligência Artificial fornecem técnicas eficientes para lidar com problemas deste tipo
11André de Carvalho
LABIC Biologia Molecular
Estudo das células e moléculas Em particular: genoma dos organismos
Estruturas principais: Genes Cromossomos DNA RNA Proteínas
nucleotídeos
aminoácidos
Expressão
Gênica
12André de Carvalho
LABIC Biologia Molecular
Dogma central da Biologia Molecular Transferência de Informação
Transcrição
Tradução
DNA
RNA
Proteínas
Replicação
13André de Carvalho
LABIC Biologia Molecular
Algumas descobertas posteriores contradizem este dogma: RNA pode sofrer replicação em alguns vírus e
plantas RNA viral, através de uma enzima denominada
transcriptase reversa, pode ser transcrito em DNA DNA pode traduzir diretamente proteínas
específicas Sem passar pelo processo de transcrição
14André de Carvalho
LABIC Biologia Molecular
DNA (Ácido Desoxirribonucleico) O DNA é uma molécula formada por duas fitas (dupla
fita) que se entrelaçam formando uma hélice dupla DNA é composto de quatro nucleotídeos diferentes
Adenina, Citosina, Guanina e Timina Fitas são mantidas juntas por ligações
que conectam cada nucleotídeo de uma fita ao seu complemento na outra
• A se liga com T e C se liga com G
15André de Carvalho
LABIC Biologia Molecular
Genes Subseqüências de DNA
Localizados no cromossomo
Servem como molde para a produção de proteínas
Encaixadas entre os genes estão segmentos chamados de regiões não codificadoras
16André de Carvalho
LABIC Biologia Molecular
Proteínas Definem estrutura, função e mecanismos
regulatórios das célulasExemplos de mecanismos regulatórios: controle do
ciclo celular, transcrição gênica
Seqüências linearesCombinações de 20 aminoácidos diferentesTrês nucleotídeos (codon) formam um aminoácido
17André de Carvalho
LABIC Biologia Molecular
18André de Carvalho
LABIC Biologia Molecular
Expressão gênica Processo pelo qual genes são usados para
produzir proteínas Mecanismos de expressão gênica são diferentes
para organismos:Eucariotos
• Material genético difuso nas células (Ex.: bactérias)
Procariotos• Material genético em um núcleo (Ex.: seres humanos)
19André de Carvalho
LABIC Processo de expressão gênica
Transcrição RNA polimerase é a molécula (enzima) que
transcreve DNA em RNA RNA polimerase começa a transcrição após se
ligar a um sinal regulatório no DNA chamado promotor
Gera molécula de RNA mensageiro (mRNA)
20André de Carvalho
LABIC Processo de expressão gênica
Transcrição depende do organismo Organismos eucariotos
Cada gene é transcrito independentementeExiste um promotor antes de todo gene
Organismos procariotosVários genes consecutivos podem ser transcritos em
uma única molécula de RNANão existe necessariamente um promotor antes de
cada gene
21André de Carvalho
LABIC Processo de expressão gênica
Tradução Sintetiza uma proteína utilizando como forma mRNA Leitura do mRNA é feita por uma molécula chamada de
ribossomo Mensagem lida é utilizada para montar uma cadeia de proteína
• Tripla de nucleotídeos consecutivos (codon) codifica um aminoácido
Código genético: mapeamento de codons em aminoácidos
22André de Carvalho
LABIC Processo de expressão gênica
G C A G C T C C G G A C T C C A T . . . RNA Polimerase
promotor Transcrição
DNA
mRNA
A
T
23André de Carvalho
LABIC Processo de expressão gênica
T G C A G C T C C G G A C T C C A T . . . RNA Polimerase
promotor Transcrição
A C G U C G A G G C C U G A G G U A . . .
DNA
mRNA
24André de Carvalho
LABIC Processo de expressão gênica
T G C A G C T C C G G A C T C C A T . . . RNA Polimerase
promotor Transcrição
A C G U C G A G G C C U G A G G U A . . .
DNA
mRNA
Tradução
Thr
Ribossomo
A C G
25André de Carvalho
LABIC Processo de expressão gênica
T G C A G C T C C G G A C T C C A T . . . RNA Polimerase
promotor Transcrição
A C G U C G A G G C C U G A G G U A . . .
DNA
mRNA
Tradução RibossomoHis
LeuGlySer
Ser
Cys
26André de Carvalho
LABIC Processo de expressão gênica
Estrutura de leitura Para uma dada faixa de DNA, nucleotídeos podem
ser agrupados em triplas de três formas diferentesUm dos nucleotídeos pode ocupar a 1a, 2a ou 3a
posição em um codonApenas um destes três possíveis agrupamentos é
realmente lido pelo ribossomoO agrupamento lido é chamado de estrutura de
leitura do gene
A T T A C G A A G
27André de Carvalho
LABIC Processo de expressão gênica
Em organismos eucariotos, existe um outro passo importante durante o processo de expressão gênica Após o DNA ser transcrito, certas partes da molécula
são eliminadas antes de sua transformação em proteína
Genes em eucariotos são formados por segmentos alternados de exons e introns
28André de Carvalho
LABIC Regiões de splice
Exons: Seqüências de nucleotídeos que são expressas (traduzidas
em proteínas) Introns:
Seqüências intercaladas que são eliminadas na tradução Regiões de splice (splice-junctions):
Pontos de fronteira onde ocorrem junções de exons e intronsDoadoras: bordas exon-intronAceptoras: bordas intron-exon
29André de Carvalho
LABIC Splice-junctions
mRNA
intronexon
Splicing
DNA
Transcrição
mRNA
doador aceptor
30André de Carvalho
LABIC Biologia Molecular e IA
Problemas da Biologia Molecular que podem ser tratados por IA Reconhecimento de genes Construção de árvores filogenéticas Análise de expressão gênica Previsão de estruturas de proteínas Análise de interação entre genes Montagem de fragmentos Alinhamento de seqüências
31André de Carvalho
LABIC Reconhecimento de genes
Um dos principais problemas em biologia molecular é a identificação de genes em seqüências de DNA não caracterizadas
Algoritmos convencionais não têm sido eficientes Variação natural dos genes Complexidade dos genes Natureza pouco compreendida dos genes
Abordagem promissora: Aprendizado de Máquina
32André de Carvalho
LABIC Reconhecimento de genes
Duas abordagens principais têm sido seguidas:
Busca por sinal
Busca por conteúdo
33André de Carvalho
LABIC Reconhecimento de genes
Busca por sinal Localiza genes indiretamente Procura sinais particulares relacionados com a
expressão de genes Sinal
Região localizada do DNA que realiza uma função específica (exemplo: se liga a uma enzima)
34André de Carvalho
LABIC Reconhecimento de genes
Busca por conteúdo Reconhece genes diretamente Identifica segmentos de seqüências de DNA que
possuem as propriedades gerais de regiões codificadoras
Se baseia no conhecimento das diferentes propriedades estatísticas de regiões codificadoras e não codificadoras
35André de Carvalho
LABIC Busca por sinal
É importante não apenas entender a função de cada gene Mas também os mecanismos que regulam a
expressão do gene Vários sinais exercem importantes funções
regulatórias definindo:Condições sob as quais os genes são expressosTaxa com a qual a expressão ocorre
36André de Carvalho
LABIC Busca por sinal
Detecção de sinal já é um problema em si Vários sinais que podem ser identificados em
seqüências de nucleotídeos são importantes para a identificação de genes Sítios de início de transcrição (promotores) Sítios de término de transcrição (terminadores) Sítios de splice-junction Sítios de início da tradução (codons de iniciação) Sítios de término da tradução (codons de parada ou stop
codons)
37André de Carvalho
LABIC Busca por sinal
Diferentes sinais têm diferentes dificuldades de identificação Codons de parada são facilmente identificados Identificação de outros sinais é mais complicada
Busca por sinal é uma tarefa de classificação Dada uma janela de tamanho fixo de um DNA,
determinar se ela contém um sinal de interesse Se uma característica identificável do sinal ocupa
uma posição particular na janela
38André de Carvalho
LABIC Busca por sinal
Promotor na posição 3?
Classificador
Posição 1 = ‘C’Posição 2 = ‘T’Posição 3 = ‘T’Posição 4 = ‘A’Posição 5 = ‘C’Posição 6 = ‘G’
Representação das características
Seqüência de DNA ... A T C G T G C T T A C G C G T C C A1 2 3 4 5 6
39André de Carvalho
LABIC Reconhecimento de início da tradução
Reconhece codons de iniciação Tradução de mRNA em proteína não começa
com sua primeira tripla de nucleotídeos Em organismos procariotos, uma simples
molécula de mRNA pode ter vários sítios de início de tradução Genes consecutivos podem ser transcritos em uma
única cadeia de mRNA
40André de Carvalho
LABIC Reconhecimento de promotores
Sinal regulatório de uma molécula de DNA onde RNA polimerase se liga para começar a transcrição RNA polimerase é uma molécula que transcreve DNA
em RNA Auxilia na localização de genes no DNA Existem sítios amplamente aceitos como sendo as
regiões que fornecem as carecterísticas definidoras de promotores Regiões 10 e 35
41André de Carvalho
LABIC Busca pelo conteúdo
Identifica genes reconhecendo padrões que que ocorrem na sua seqüência de nucleotídeos Regiões do DNA que serão traduzidas em proteínas
Organismos procariotos: distinguir genes de regiões não codificadoras
Organismos eucariotos: distinguir também introns de exons
Janelas de tamanho fixo também são utilizadas para esta previsão
42André de Carvalho
LABIC Busca pelo conteúdo
Busca por conteúdo procura responder as seguintes perguntas: Quais são as regiões codificadoras Para uma dada região, que faixa e qual estrutura
de leitura codifica a proteína Várias propriedades podem ser exploradas
para distinguir regiões codificadoras de não codificadoras
43André de Carvalho
LABIC Busca pelo conteúdo
Propriedades que podem ser exploradas: Alguns aminoácidos são usados mais freqüentemente que
outros em regiões codificadoras A existência de diferentes números de codons para
aminoácidos diferentes Codons que mapeiam em um dado aminoácido não são
usados igualmente na maioria dos organismos Não podem conter codons de parada Alguns codons têm maior probabilidade de serem vizinhos
44André de Carvalho
LABIC Reconhecimento de genes
Abordagens mais promissoras em reconhecimento de genes: Combinam previsão de vários sinais diferentes
e regiões codificadoras Reconhecimento de operons
Genes consecutivos que são ativados ou desativados em conjunto
45André de Carvalho
LABIC Redes Neurais Artificiais
Sistemas computacionais distribuídos baseados na estrutura e funcionamento do sistema nervoso Nodos simulam neurônios Conexões ponderadas simulam sinapses
Definidas por Arquitetura Aprendizado
46André de Carvalho
LABIC Redes Neurais Artificiais
camada de entrada
camadas intermediárias
camada de saída
conexões
47André de Carvalho
LABIC Redes Neurais Artificiais
Stormo et al (1982): reconhecimento de sítios de início de tradução no DNA de bactérias E. Coli Primeira aplicação de Redes Neurais em Bioinformática Utilizou rede Perceptron
... A T C G T G C T T A C G C G C G T ...
A C G T A C G T A C G T
48André de Carvalho
LABIC
Reconhecimento de regiões de splicingRampone (1998)
Reconhecimento de promotoresMa e Wang (1999)
Bajic et al. (2002)
Previsão de estrutura de proteínasRiis et al (1995)
Polyac et al (1992)
Servidor GRAIL - identificação de genesUberbacher et al (1993)
Sítios de início de transcriçãoTowell et al (1990)
Problema abordadoTrabalho
Redes Neurais Artificiais
49André de Carvalho
LABICAlgoritmos Genéticos
Técnica de busca e otimização Baseados na genética e teoria da seleção natural Utiliza uma população de soluções candidatas
(indivíduos)A cada indivíduo é associado um escore de aptidão, que
mede o quão boa é a solução que ele representa Otimização ocorre em várias gerações
A cada geração• Mecanismos de seleção selecionam os indivíduos mais aptos• Operadores de reprodução geram novos indivíduos
50André de Carvalho
LABICAlgoritmos Genéticos
População atual
Reprodução
Avaliação
Seleção
População inicial População final
51André de Carvalho
LABIC Algoritmos Genéticos
Alinhamento de seqüências: Uma a uma Uma com várias Identificar:
InserçõesRemoçõesSubstituições
Seq1: A G C C A T A T
Seq2: A C G C T A T A
Seq1: A G C C A T A T
Seq2: A C G C T A T A
52André de Carvalho
LABIC Algoritmos Genéticos
Alinhamento de sequênciasZhang e Wong (1997)
Previsão de estrutura de proteínas
Alander (1995)
Krasnogor et al. (1999)
Problema abordadoTrabalho
53André de Carvalho
LABIC Raciocínio Baseado em Casos
Resolve novos problemas adaptando soluções de problemas anteriores semelhantes
Nova solução
Novo problema1
2Solução
Problema
Solução
Problema
54André de Carvalho
LABIC Raciocínio Baseado em Casos
RBC é mais que uma Base de Dados Não é uma tabela de busca
Sistemas de RBC procuram casos passados semelhantes ao problema atual em uma base de casos indexada Indexação e representação de casos facilitam
recuperação de casos relevantes e sua comparação com o problema atual
Permite adaptação de casos
55André de Carvalho
LABIC Raciocínio Baseado em Casos
Ciclo de um sistema de RBC
(Aamodt, 1993)
56André de Carvalho
LABIC Raciocínio Baseado em Casos
Alinhamento de seqüênciasHarris et al. (1993)
Reconhecimento de genesShavlik (1990, 1991)
Problema abordadoTrabalho
57André de Carvalho
LABIC Classificadores de Margens Largas
Maximizam a margem de separação entre classes presentes nos dados Máquinas de Vetores Suporte (SVMs) Boosting Maior capacidade de generalização Baseados na Teoria de Aprendizado
EstatísticoVapnik e Chervonenkis (1968)Embute conceitos probabilísticos e estatísticos
58André de Carvalho
LABIC Classificadores de Margens Largas
Máquinas de Vetores Suporte Encontra um hiperplano ótimo que separa classes em um
espaço abstrato
margem
Classe 1Classe 2
59André de Carvalho
LABIC Classificadores de Margens Largas
Análise de expressão gênica
ExpressãoTecido normal Tecido com tumor
Gene T1 T2 T3 T1 T2 T3 1 128 100 30 20 10 9 2 20 10 18 104 210 47 3 29 130 7 37 310 40 4 21 12 15 92 123 84
60André de Carvalho
LABIC Classificadores de Margens Largas
Promotores, reg. codificadorasAB, RNsJackson (1995)
DNA microarraySVMs, ADsBrown et al. (1999)
Subfamílias proteínasSVMsKarchin et al. (2002)
Especificidade proteínasADs, ABHuss et al. (2001)
Bem-Hur et al. (2000)
Furey et al. (2001)
Zien et al. (2000)
Ding e Dubchak (2001)
Trabalho
DNA microarraySVMs, AB, clusterização
DNA microarraySVMs
Sítios de início de traduçãoSVMs
Estrutura proteínasSVMs, RNs
Problema abordadoTécnicas
61André de Carvalho
LABIC Árvores de Decisão
Organizam informações em estrutura composta de nós e ramificações Nós: testes sobre atributos; Ramos: resultados dos testes
sorrisorri
segurasegura inimigoinimigo
nãosim
inimigoinimigo amigoamigo
espada balão oubandeira
62André de Carvalho
LABIC Árvores de Decisão
Lapedes et al (1989): detecção de regiões de splicing (regiões doadoras) Entrada: cadeia de nucleotídeos
PositivoPositivo
Posição 8 = ?Posição 8 = ?
Posição 3 = ?Posição 3 = ? NegativoNegativo Posição 9 = ?Posição 9 = ?
A C G T
A C G T
NegativoNegativo NegativoNegativo NegativoNegativoNegativoNegativoPositivoPositivo PositivoPositivo
A C G T
NegativoNegativo
63André de Carvalho
LABICOutras técnicas
Eddy (1998)Detecção de genesCadeias de Markov
Guan et al (1994)Estrutura de proteínas
RNAs, AGs e k-NN
Dond e Searls (1994)
Previsão da estrutura de genes
Lingüística computacional
Friedman et al (2000)
Detecção de genesRedes Baysianas
TrabalhoProblemaTécnica
64André de Carvalho
LABIC Projeto Fapesp Genoma Clínico
Genoma do câncer humano Dados clínicos e de expressão gênica
Sage, PCR, Microarray e MPSS
9 tipos de câncer Análise de expressão gênica Data mining Utiliza técnicas de Aprendizado de Máquina FAPESP e Instituto Ludwig
65André de Carvalho
LABIC Projeto CNPq - Bioinformática
Reconhecimento de genes Identificação de promotores Reconhecimento de regiões de splicing Reconhecimento de regiões codificadoras Utiliza SVMs, AB e RNs Metodologias para melhorar desempenho
Redução de ruídosSeleção de atributos
CNPq e FAPESP
66André de Carvalho
LABICProjeto CNPq - Bioinformática
Melhoramento genético Utiliza marcadores moleculares para avaliar
potencial genético10 marcadores (2 já foram avaliados)
Identificação de cruzamentos mais promissoresPrevisão de ganho de peso entre nascimento e
desmama
Utiliza SVMs e RNs CNPq e Embrapa
67André de Carvalho
LABIC Referências de IA e Bioinformática
Artificial Intelligence and Molecular Biology Editado por Lawrence Hunter, AAAI Press Book Disponível gratuitamente na internet
Bioinformatics (Adaptive Computation and Machine Learning) Pierre Baldi, Soren Brunak, Sren Brunak, MIT Press
Neural Networks and Genome Informatics Cathy H. Wu, Jerry W. McLarty, Elssevier
Data Analysis and Classification for Bioinformatics Arun Jagota
68André de Carvalho
LABIC Conclusão
Introdução Bioinformática Biologia Molecular Reconhecimento de Genes Utilização de IA em Bioinformática
69André de Carvalho
LABIC Agradecimentos
Ana Carolina Lorena Cláudia Regina Milaré Humberto de Sousa Silvia Gorla Modonese da Silva Alexandre Delbem Katti Faceli Welington Martins
70André de Carvalho
LABIC Reconhecimento de regiões de splicing
DadosDados: regiões de splicing de primatas (UCI) Divisão do problemaDivisão do problema:
Identificação de presença da região (Experimento 1) Determinação do tipo da região (Experimento 2)
intron-exon exon-intron
Técnicas: Árvores de Decisão (ADs) Redes Neurais Artificiais (RNAs) Máquinas de Vetores Suporte (SVMs)
71André de Carvalho
LABIC Pré-processamento dos dados
Heurística Tomek linksHeurística Tomek links: identificar Dados classificados incorretamente Borderlines 5 - 6 % dados
72André de Carvalho
LABIC Resultados
ADs:ADs: diminuição do tamanho das árvores induzidas
(10 - 33 %) RNAs:RNAs:
menor tempo de treinamento (20 %) SVMs:SVMs:
menor tempo de treinamento (7 - 15 %) menor número de vetores suporte (6 - 10 %)
73André de Carvalho
LABIC
Experimento 2
Erros obtidos (%)
3.7 2.45.3 2.44.5 1.66.8 1.01.9 1.0 4.5 0.9Pré-proc.
3.3 2.85.3 2.34.3 1.56.7 0.91.9 0.6 4.4 0.6Originais
EIIETotalNIE+EITotalDados
3.0 2.84.3 2.33.7 1.7---- --Pré-proc.
3.3 2.33.6 1.73.5 1.7---- --Originais
0.9 0.51.2 1.22.1 1.22.0 0.41.0 0.8 2.9 0.8Pré-proc.
2.1 2.31.7 1.11.9 1.12.2 0.61.3 0.8 3.6 0.9Originais
Experimento 1
AD
RNA
SVM
74André de Carvalho
LABIC Teste de Significância
95 %95 %ADSVM
Pré-processadosOriginaisTécnica 2Técnica 1
80 %--ADRNA
95 %95 %ADSVM
95 %95 %RNASVM
Pré-processadosOriginaisTécnica 2Técnica 1
• Significância com que Técnica 1 é melhor que Técnica 2• Experimento 1:
• Experimento 2:
75André de Carvalho
LABIC Análise de expressão gênica
Várias medidas foram testadas para a seleção de genes
Para as várias medidas foram selecionados 50, 10 e 4 genes, sendo metade hipo e metade hiper expressos
Para os casos 10 e 4 genes, os genes foram selecionados dentre aqueles com expressão > 5 (apenas 84 genes)
76André de Carvalho
LABIC Experimentos
Os genes selecionados foram utilizados em um algoritmo de Aprendizado de Máquina (AM) AM utilizado para classificar se uma amostra é de
tecido normal ou com tumor, a partir dos dados de expressão desses genes
Objetivo: verificar quais entre várias medidas para seleção dos genes forneceu um conjunto de genes mais apropriado para a distinção tumor/normal
77André de Carvalho
LABIC Bibliotecas empregadas
Normal 1 - SAGE_Brain_normal_cerebellum_B_1_FREQUENCY 2 - SAGE_Brain_normal_cerebellum_B_BB542_FREQUENCY 3 - SAGE_Brain_normal_cortex_B_BB542_FREQUENCY 4 - SAGE_Brain_normal_cortex_B_pool6_FREQUENCY 5 - SAGE_Brain_normal_peds_cortex_B_H1571_FREQUENCY 6 - SAGE_Brain_normal_thalamus_B_1_FREQUENCY
Tumor 7 - SAGE_Brain_astrocytoma_gradeIII_B_H1020_FREQUENCY 8 - SAGE_Brain_ependymoma_B_239_FREQUENCY 9 - SAGE_Brain_glioblastoma_B_GBM1062_FREQUENCY 10 - SAGE_Brain_glioblastoma_CL_H54+EGFRvIII_FREQUENCY 11 - SAGE_Brain_glioblastoma_CL_H54+LacZ_FREQUENCY 12 - SAGE_Brain_medulloblastoma_B_96-04-P019_FREQUENCY 13 - SAGE_Brain_medulloblastoma_B_98-04-P494_FREQUENCY 14 - SAGE_Brain_medulloblastoma_B_98-05-P608_FREQUENCY
78André de Carvalho
LABIC Resultados
Classificações incorretasFórmula
4 genes10 genes50 genesMedida
010B(Difference)
000A(Ratio)
010D(Difference)
000E
010F (correlação de Pearson)
210I(Distância Euclidiana)
010H(Baseado em C e D)
010G (Baseado em A e B)
000C(Ratio)
n
iii cg
n 1
2)(1
n
iiicg
n 1
1
15
5
DifferenceRatio
15
5
DifferenceRatio)min()max¨(
)min()max¨(
RatioRatio
differencedifference
dpNdpT
MediaNMediaTcgp
),(
MediaNMediaT
SomaNSomaT
SomaNSomaT
Se MediaNMediaT MediaN
MediaT
MediaT
MediaN
Se
senão
SomaN
SomaT
SomaT
SomaNsenão
)min()max¨(
)min()max¨(
RatioRatio
differencedifference
79André de Carvalho
LABIC Genes selecionados com as várias medidas
TAG UNIGENENo. de vezes que
foi selecionadoDescrição
AAGTTGCTAT 78575 1Prosaposin (variant Gaucher disease and variant metachromatic leukodystrophy)
AGGCTACGGA 119122 6 ribosomal protein L13a
ATGTGAAGAG 111779 1 secreted protein, acidic, cysteine-rich (osteonectin)
ATTTGAGAAG 178658 9 RAD23 homolog B (S. cerevisiae)
CACCTAATTG 334477 9 FLJ23277 protein
CCACTGCACT 107003 6 enhancer of invasion 10
CCTGTAATCC 138593 6 5'-nucleotidase (purine), cytosolic type B
CTGGGTTAAT 298262 5 ribosomal protein S19
GAGGGAGTTT 76064 8 ribosomal protein L27a
GGCAAGCCCC 334895 2 ribosomal protein L10a
GGCTGGGGGC 75721 3 profilin 1
GGGCTGGGGT 90436 2 sperm associated antigen 7
GTGAAACCCC 372737 6 hypothetical protein MGC3207
GTGAAACCCT 182476 1 hypothetical protein PP1226
GTGAAGGCAG 77039 3 ribosomal protein S3A
GTTGTGGTTA 75415 1 beta-2-microglobulin
TACCATCAAT 169476 1 glyceraldehyde-3-phosphate dehydrogenase
TACTAGTCCT 289088 8 heat shock 90kD protein 1, alpha
TAGGTTGTCT 279860 1 tumor protein, translationally-controlled 1
TGCACGTTTT 169793 3 ribosomal protein L32
TGCCTGCACC 135084 3 cystatin C (amyloid angiopathy and cerebral hemorrhage)
TGGAGTGGAG 3764 2 guanylate kinase 1
TGTACCTGTA 334842 2 tubulin, alpha, ubiquitous
TTGGGGTTTC 62954 1 ferritin, heavy polypeptide 1