Reconstruindo Mapas Regulatórios Dinâmicos

Reconstruindo Mapas Regulatórios Dinâmicos

Jason Ernest, Oded Vainas, Christopher Harbisson, Itamar Simon e Ziv Joseph

Rogério dos Santos Rosa (Cin- UFPE) Mapas Regulatórios Dinâmicos Abril de 2009

Apresentado por Rogério dos Santos Rosa

Universidade Federal de Pernambuco - UFPECentro de Informática - Cin


AgendaAgenda

2

• Biologia Sistêmica;• Redes Regulatórias;• Técnicas usadas para Inferência de Redes;• Objetivo do Artigo;• Descrição do Método;• Resultados obtidos;• Conclusão;


Biologia Sistêmica - IntroduçãoBiologia Sistêmica - Introdução

3

• Biologia sistêmica é uma área de estudos multidisciplinar que tem como objetivo entender as complexas relações entre entidades biológicas.

Batimentos Cardíacos Pressão Arterial Stress

Qual é a relação entre esses elementos?

Dado que um se altera, como os demais são afetados?


Biologia Sistêmica - HistóricoBiologia Sistêmica - Histórico

4

• Surge como disciplina a partir de 1960:- Em 1966 em Cleveland/EUA ocorre o “Systems Theory and Biology”;

• Nos anos de 1960, 1970 e 1980:- Falta de dados biológicos disponíveis;- Limitação da capacidade computacional;

• Nos anos de 1990 e 2000:- Limitações das décadas anteriores já se encontram amenizadas;


Biologia Sistêmica - NíveisBiologia Sistêmica - Níveis

5

• Um sistema biológico como o corpo humano apresenta muitos níveis de detalhamento, nesse caso queremos o nível mais fundamental possível.

Queremos entender Queremos entender como os genes se como os genes se

relacionam!relacionam!


Redes Regulatórias - IntroduçãoRedes Regulatórias - Introdução

6

Redes Regulatórias: em sistemas biológicos reais, os genes não atuam de forma isolada. Genes podem regular o comportamento de outros genes. Assim, entender suas interações e poder inferir relações causais são importantes.

A meta final da revolução genética é a compreensão do

genoma e as causas genéticas por trás de características

fenotípicas dos organismos.


Redes Regulatórias - MotivaçãoRedes Regulatórias - Motivação

7

• Para entender o complexo processo de cooperação entre genes e avaliar possíveis intervenções;

• Entendimento do processo de interação que ocorre durante o desenvolvimento do organismo;

• Compreensão da conexão entre regulação e fenótipo;

• Previsão do futuro de um sistema;

• Identificação de alvos para fármacos;


Redes Regulatórias - Regulação GênicaRedes Regulatórias - Regulação Gênica

8

Genes transcrevem

mRNA

O mRNA é traduzidopara uma proteína

A proteína pode ser uma enzima ea enzima pode ser

um fator de transcrição


Redes Regulatórias - NíveisRedes Regulatórias - Níveis

9


Redes Regulatórias - EsquemaRedes Regulatórias - Esquema

10


Redes Regulatórias - ClassificaçãoRedes Regulatórias - Classificação

11

• Os pesquisadores Thomas Schlitt e Alviz Brazma (BMC Bioinformatics) propuseram quatro categorias para classificação de tais modelos segundo os níveis de detalhamento e complexidade:– Lista de Partes– Topológicos– Lógicos e de Controle– Dinâmicos


Métodos para Modelagem de RedesMétodos para Modelagem de Redes

12

• Alguns métodos aplicados para modelagem de redes dinâmicas:– Equações Auto-Regressivas;– Hidden Markov Models (HMMs);– Equações Diferenciais;– Redes Bayesianas Dinâmicas;– Etc...


Modelo de Markov - IntroduçãoModelo de Markov - Introdução

13

• Ferramenta para análise de sistemas complexos• Máquina de estados

– O próximo símbolo depende do atual• Modelo probabilístico

– Usa estatística para prever próximo estado

T

A

C

G


Modelo de Markov - IntroduçãoModelo de Markov - Introdução

14

Probabilidade de transição• Associado a cada aresta• Determina a probabilidade de um certo resíduo seguir outro

(ou um estado seguir outro)

é a probabilidade de t acontecer dado que s já tenha acontecido.

S

T

ast)|( 1 sxtxPa iist

sta


Introdução ao Modelo de MarkovIntrodução ao Modelo de Markov

a probabilidade de um estado a probabilidade de um estado

acontecer depende apenas do estado anterior!acontecer depende apenas do estado anterior!

)|(),...,|( 111 llll xxPxxxP

L

i

xixiaxPxP2

,11)()(


Exemplo – Ilhas CpGExemplo – Ilhas CpG

16

• Um CpG é a ocorrência, numa seqüência, de CG, numa cadeia de DNA.

• A chance de G (guanina) acontecer dado que C (citosina) aconteça é muito pequena devido a uma reação (com o grupo metila) que transforma C em T (timina) quando os dois estão seguidos dessa forma.

C

G

TReação com o grupo metil



17

• No entanto, esta reação é suprimida próxima a regiões como promotores e “starts”. Nessas regiões, portanto, se encontram muito mais CpG’s que em qualquer outro lugar. Tais regiões são chamadas ilhas CpG

Ilha CpG

ACTACTCGTACGAAGCACGT



18

• Problema 1: Dada uma cadeia de seqüência genômica, como iremos decidir se ela veio de uma ilha CpG ou não?

• Problema 2: Dada uma longa cadeia, como achar as ilhas nela, se é que existe alguma?



19

A probabilidade de C acontecer depois de um A é de 0.274

Note que a soma de cada linha é igual a 1.

Probabilidade das transiçõesnas Ilhas CpG (+)

+ A C G TA 0.180 0.274 0.426 0.120C 0.171 0.368 0.274 0.188G 0.161 0.339 0.375 0.125T 0.079 0.355 0.384 0.182



Probabilidade das transiçõesnas outras regiões (-)

- A C G TA 0.300 0.205 0.285 0.210C 0.322 0.298 0.078 0.302G 0.248 0.246 0.298 0.208T 0.177 0.239 0.292 0.292

Note que um G seguir um C tem uma probabilidade (0.078) muito menor de ocorrer em regiões fora das ilhas.



Para a ilha TCGTACGA, ela é de fato uma ilha?• Chances de ser uma ilha:P(x) =

0.188*0.355*0.274*0.125*0.079*0.274*0.274*0.161 = 2,18273428997918*10-6

• Chances de não ser uma ilha:P(x) = 8,2193257434981888*10-7

Há 10 vezes mais chances de ser uma ilha!

ACTACTCGTACGAAGCACGT


Introdução ao Modelo Oculto de Markov (HMM)Introdução ao Modelo Oculto de Markov (HMM)

• Modelo estatístico baseado no modelo de Markov;

• Busca determinar parâmetros escondidos a partir dos observáveis;

• Os parâmetros extraídos podem ser, posteriormente, usados para futuras análises;

• Os estados não são diretamente visíveis, mas através de suas variáveis;

• Muito utilizado em aplicações como reconhecimento de padrões e várias em bioinformática;


DiferençasDiferenças

Modelo de Markov Modelo oculto de Markov

Estado diretamente visível Estado não diretamente visível

Correspondência um-para-um entre estados e símbolos

Correspondência vários-para-um entre estados e símbolos

Cada símbolo corresponde a um estado diferente

Pode haver mais de um símbolo num mesmo estado

Deseja-se obter a probabilidade de uma seqüência de símbolos

Deseja-se obter também a seqüência das classes



• Para simular um modelo de ilhas em um oceano de não-ilhas, precisamos das duas cadeias (+,-)

• Os símbolos serão distinguidos pelos sinais– A+, C+, G+, T+ para ilhas

– A-, C-, G-, T- para não-ilhas

• Transições intra-modelos com maior probabilidade que as inter-modelos

• Probabilidade maior para transição de + para – que – para +.



O que está oculto?• Dado um símbolo, não nos é visível qual o

estado ao qual ele pertence.• Por exemplo, o símbolo C, não temos como

afirmar apenas olhando para ele se ele foi emitido pelo estado C+ ou C-.

?C

C+

C-


HMMs Lineares aplicados à análise de dados de expressão gênicaHMMs Lineares aplicados à análise de dados de expressão gênica

26


HMMs Lineares aplicados à análise de dados de expressão gênicaHMMs Lineares aplicados à análise de dados de expressão gênica

27


Objetivo do Artigo - ProblemaObjetivo do Artigo - Problema

Expressão

Tempo

TFs TFs TFs

Dados de

Microarranjo

(dinâmico)

Dados de

ChIP-Chip

(estático)

0


Método - IOHMMMétodo - IOHMM

29

Start 1 2 3

4

5

6

7 End

8


Introdução à HMMs LinearesIntrodução à HMMs Lineares

30


Método – Dynamic Regulatory Events Miner (DREM) Método – Dynamic Regulatory Events Miner (DREM)

31

• Foi estendido um algoritmo para treinamento de IOHMMs (Bengio e Frasconi, 1995) ;

• Os estados são usados para agrupar genes com níveis de expressão similares em um dado momento no tempo;

• Cada estado é associado a um momento no tempo e representa uma distribuição Gaussiana dos valores de expressão dos genes associados a ele;

• O algoritmo busca sobre muitas possibilidades de estrutura, estimando os parâmetros e aplicando um score utilizando cross-validation para selecionar a mais adequada;

• Por fim, são computados scores de associação entre os TFs e os pontos de divergência usando distribuição hipergeométrica;


Mapa temporal em respostas à carência de aminoácidos em levedura (parte 1)Mapa temporal em respostas à carência de aminoácidos em levedura (parte 1)

32

Utilizou-se 34 TFs


Mapa temporal em respostas à carência de aminoácidos em levedura (parte 2)Mapa temporal em respostas à carência de aminoácidos em levedura (parte 2)

33

Utilizou-se 75 TFs


Mapa temporal para regulação de resposta a stress em leveduraMapa temporal para regulação de resposta a stress em levedura

34

Alta temperatura,

Baixa temperatura e

Hidrogênio Peroxido


ConclusãoConclusão

35

• Normalmente se constroi grafos estáticos para representação de redes. Entretanto sistemas biológicos são dinâmicos;

• DREM apresenta uma visão dinâmica do processo de regulação;

• TFs podem regular diferentes genes em diferentes pontos no tempo;

• A acurácia dos modelos gerados pelo DREM representam um forte indicativo de qualidade;

• Como os demais métodos, DREM é fortemente dependente dos dados;


ReferenciasReferencias

36

- Reconstructing dynamic regulatory maps – Jason Ernest, Oded Vainas,

Christopher Harbisson, Itamar Simon e Ziv Joseph - 2007 – Molecular Systems

Biology;

- Current approaches to gene regulatory network modeling - Thomas Schlitt e Alvis

Brazma - 2007 - BMC Bioinformatics;

- Capítulo 4 da tese de Doutorado de Ivan Gesteira;

- Exemplo de Ilhas CpG retirado da apresentação de Everson Veríssimo da Silva;

Reconstruindo Mapas Regulatórios Dinâmicos

Documents

Transcript of Reconstruindo Mapas Regulatórios Dinâmicos