Trabajo del grupo ISG UPV-EHU en clasificación supervisada para DNA microarrays (mayo’00-junio’02) Proyecto Elvira II Albacete, Junio 2002

DNA microarray Filas  genes; Columnas  casos, muestras, biopsias, ejemplos, ‘cell-lines’...

¿Selección de genes en DNA microarray ‘supervisados’? Area ‘pequeña’ dentro de la Bioinformática. Dimensionalidad altísima (> 1,000). Problemas supervisados: existe la variables clase. Literatura: Brazma & Vilo’00, CAMDA’00-01, Golub’99, Beibel’00... En CAMDA  se cita la ‘selección de variables’ (Feature Subset Selection = FSS) como un ‘topic’. Coincidencias: pocos genes... ¿soprendente? No tanto... Y buen porcentaje de bien clasificados. Técnicas de clasificación supervisada utilizadas: SVM, Discriminant Analysis,..., K-NN, Naive-Bayes, Arboles de decision, Reglas de decisión (IF-THEN). Explicatividad & comprensibilidad: árboles, reglas.

Varios ejemplos de DNA microarrays DOMINIOCLASEGENES Colon Biopsia: ‘tumor’ vs. ‘normal’ 2,000 Leukemia Tipos leucemia: AML, ALL 7,129 NCI-60 9 tipos de tumores 1,376 Alizadeh’00 2 tipos de linfomas: ‘center B- like’, ‘activates B-like’ 2,984 Chen’02 Hepato celular carcinoma vs. Ausencia de tumor en hígado 17,400 Garber’01 Subtipos de cáncer de pulmón 24,000

Nuestras líneas de trabajo Algoritmo de búsqueda: búsqueda secuencial, algoritmos EDAs. Función de evaluación: wrapper más que filter  son posibles los tiempos de cómputo  búsqueda en el ‘areas’ de pocos genes. Algoritmos de clasificación: K-NN, Naive-Bayes, árboles de clasificación, reglas IF-THEN... Software: propio y MLC++ (Stanford – SGI). Nuestro ‘Talón de Aquiles’: Interpretación ‘biológica’ de los resultados (modelos clasificatorios, genes escogidos, porcentajes de error...). ‘Formación’ & ‘creación’ de las matrices de datos desde SMD.

Trabajos desarrollados R. Blanco, P. Larrañaga, I. Inza, B. Sierra (2001). “Selection of highly accurate genes for cancer classification by estimation of distribution algorithms”. Workshop of Bayesian Models in Medicine (AIME). I. Inza, B. Sierra, R. Blanco, P. Larrañaga (2002). “Gene selection by sequential search wrapper approaches in microarray cancer class prediction”. Journal of Intelligent and Fuzzy Systems.

Otras líneas aparte de la selección de genes Algoritmo K-NN: pesado de atributos, búsqueda de los pesos óptimos. 3 estados de relevancia en genes: underexpressed, baseline, overexpressed. Redes Genéticas: Dimensionalidades ingentes  ¿Red Bayesiana? Red Bayesiana “con simplificaciones”: número máximo de padres... Aproximaciones por bootstrap. CAUSALIDAD  en vez de “atacarlo” directamente, se plantea estudiar las propiedades de las relaciones: Relaciones de padre hijo o “esposos” “fuertes”. Gen que “media” la relación directa entre otros dos: CI(X,Y|Z) Activar / Inhibir: influencia directa de uno de los padres al mantener los valores de los demás “fijos”. Detección de “subredes funcionales”.

Referencias de interés Congresos: CAMDA: Critical Assesment of Microarray Data Analysis ISMB: International Symposium on Molecular Biology Revista: “Bioinformatics” Lugares web: Stanford Genomic Resources  Stanford Microarray Database Hebrew University (N. Friedman, D. Pe’er, I. Nachman...) Tel Aviv University (R. Shamir) Human Genome Working Draft: