Agrupamiento de relaciones no lineales entre expresiones de genes Por Roberto Barchino Garrido 21/09/2009 Institut de Biotecnologia i de Biomedicina

Índice Introducción Programas desarrollados y análisis de los resultados Conclusiones

Introducción: Objetivos Clasificar las relaciones transitivas. Estudiar la relación entre procesos. Buscar los métodos y algoritmos que faciliten los puntos anteriores. Analizar los resultados y obtener conclusiones. Introducción Fase 1 Fase 2 Fase 3 Trabajo Futuro Conclusiones

Introducción: Microarrays Cada celda representa a un gen. La intensidad de color representa el nivel de expresión. Introducción Fase 1 Fase 2 Fase 3 Trabajo Futuro Conclusiones

Introducción: Microarrays Niveles de expresión del gen SCHPDH bajo diferentes condiciones muestrales Introducción Fase 1 Fase 2 Fase 3 Trabajo Futuro Conclusiones

Introducción: Microarrays Fase 1 Fase 2 Fase 3 Trabajo Futuro Conclusiones

Fase 1 y 2 Clasificar las relaciones transitivas entre grupos de genes cuyas expresiones mantengan todos ellos una relación no lineal. Estudiar los procesos y que relación a nivel de expresión tienen entre sí. Buscar los métodos y algoritmos que faciliten los puntos anteriores. Analizar los resultados y obtener conclusiones. Introducción Fase 1 Fase 2 Fase 3 Trabajo Futuro Conclusiones

Fase 1 ¿Qué es una relación transitiva? Representación: grafos Una relación todos con todos A -> B B -> C C -> A Representación: grafos Introducción Fase 1 Fase 2 Fase 3 Trabajo Futuro Conclusiones A C B

Fase 1 Representación actual de las relaciones. Introducción Fase 1 Trabajo Futuro Conclusiones

Fase 1 Necesidad de un algoritmo para encontrar relaciones transitorias entre las expresiones no lineales de genes. Búsqueda de subgrafos completos dentro de grafos: Cliques Introducción Fase 1 Fase 2 Fase 3 Trabajo Futuro Conclusiones

Fase 1 ¿Qué es un clique? Es un subgrafo completo dentro de un grafo. Introducción Fase 1 Fase 2 Fase 3 Trabajo Futuro Conclusiones A C B E H G F I D

Fase 1 Problema: Algoritmo NP-Completo Solución: MACE (MAximal Clique Enumerater) Introducción Fase 1 Fase 2 Fase 3 Trabajo Futuro Conclusiones A C B E H G F I D

Fase 1 Leemos los datos de las relaciones no lineales entre las expresiones de genes de nuestra microarray. Creamos una matriz en la que se representa el grafo de relaciones Ejecutamos MACE Recuperamos la información de las relaciones. Estudiamos los datos obtenidos. Introducción Fase 1 Fase 2 Fase 3 Trabajo Futuro Conclusiones

Fase 1 Número Nodos Número total Cliques Porcentaje 3 1758 72% 4 632 26% 5 54 2% Introducción Fase 1 Fase 2 Fase 3 Trabajo Futuro Conclusiones

Fase 2 Clasificar las relaciones según su tipo. Encontrar grafos isomorfos Problema NP-(completo). Introducción Fase 1 Fase 2 Fase 3 Trabajo Futuro Conclusiones

Fase 2 Realmente no nos importa tanto la morfología como el tipo de relaciones que hay. Si tenemos en cuenta la morfología obtendremos muchas clases con pocos datos. En cualquier caso conviene agruparlos para facilitar la investigación. El investigador ya mirará en detalle el significado biológico de esa relación. Introducción Fase 1 Fase 2 Fase 3 Trabajo Futuro Conclusiones

Fase 2 Solución: IsoTypes. A cada tipo de relación se le asigna un valor. Se ordenan las relaciones de menor a mayor. Se clasifica por matching. Introducción Fase 1 Fase 2 Fase 3 Trabajo Futuro Conclusiones

Fase 2 Finalmente se obtienen 420 clases diferentes. Cada clase está formada por los cliques que tienen el mismo IsoType. No todas las clases son interesantes a nivel biológico. Introducción Fase 1 Fase 2 Fase 3 Trabajo Futuro Conclusiones

MAP1B MAP1B SID 37060 ENO2 SID 37060 ENO2 Introducción Fase 1 Fase 2 Trabajo Futuro Conclusiones SID 37060 ENO2 SID 37060 ENO2 Relación 1: Activadora. Relación 8: Mutuamente excluyente

RPS16 HLA-B STY11 STY11 RSP16 HLA-B Introducción Fase 1 Fase 2 Fase 3 Trabajo Futuro Conclusiones STY11 STY11 RSP16 HLA-B Relación 8 y 17: Mutuamente excluyente. Relación 10: Inhibidora

GALNT2 LYZ TCF7L2 TCF7L2 GALNT2 LYZ Introducción Fase 1 Fase 2 Fase 3 Trabajo Futuro Conclusiones TCF7L2 TCF7L2 GALNT2 LYZ Relación 0: Activadora. Relación 9 y 12: inhibidoras

QSOX GNAS NET1 QSOX NET1 GNAS Introducción Fase 1 Fase 2 Fase 3 Trabajo Futuro Conclusiones NET1 QSOX NET1 GNAS Relación 5: Activadora. Relación 9: inhibidora. Relación 26: Activadora/Desactivadora

Fase 3 Clasificar las relaciones transitivas entre grupos de genes cuyas expresiones mantengan todos ellos una relación no lineal. Estudiar los procesos y que relación a nivel de expresión tienen entre sí. Buscar los métodos y algoritmos que faciliten los puntos anteriores. Analizar los resultados y obtener conclusiones. Introducción Fase 1 Fase 2 Fase 3 Trabajo Futuro Conclusiones

Fase 3 ¿Qué es un proceso? Varios genes que se coexpresan a la vez. relaciones lineales Introducción Fase 1 Fase 2 Fase 3 Trabajo Futuro Conclusiones Introducción

Fase 3 ¿Qué buscamos? La relación a nivel de proceso. Clique de relaciones no lineales Proceso Introducción Fase 1 Fase 2 Fase 3 Trabajo Futuro Conclusiones

Fase 3 Para cada clique. Comprobar con todos los cliques que tengan el mismo IsoType que los genes mantienen una relación lineal. Caso que sí: guardar. Introducción Fase 1 Fase 2 Fase 3 Trabajo Futuro Conclusiones

Fase 3 Problema: En caso de que el clique tenga aristas repetidas es necesario permutar para comprobar la linealidad. Permutar  Complejidad factorial. Introducción Fase 1 Fase 2 Fase 3 Trabajo Futuro Conclusiones

Introducción Fase 1 Fase 2 Fase 3 Trabajo Futuro Conclusiones

Trabajo Futuro Crear una herramienta que automatice la elaboración de procesos con diversas maneras construcción a partir de los archivos generados en la fase 3. En forma de clique de cliques. En forma de grafo de cliques lineales. Introducción Fase 1 Fase 2 Fase 3 Trabajo Futuro Conclusiones

Conclusiones Objetivos cumplidos.  Transitividad predecible. Procesos con relaciones no complejas. Programa automatizado. Introducción Fase 1 Fase 2 Fase 3 Trabajo Futuro Conclusiones

Agrupamiento de relaciones no lineales entre expresiones de genes Por Roberto Barchino Garrido Institut de Biotecnologia i de Biomedicina