Aplicaciones de Algoritmos Genéticos a la Proteómica Computacional

Presentación del tema: "Aplicaciones de Algoritmos Genéticos a la Proteómica Computacional"— Transcripción de la presentación:

1 Aplicaciones de Algoritmos Genéticos a la Proteómica Computacional

2 Angel Kuri José Galaviz Oscar Herrera INAOE Dic. de 2003

3 Motivación La idea básica es lograr compresión de datos sin pérdida de una manera óptima. Una forma sencilla de tratar de comprimir un conjunto de datos es usando la probabilidad de aparición de c/u de ellos. Cómo se relaciona este problema con la proteómica computacional se verá más adelante. Ilustramos con un ejemplo

4 Compresión sin pérdida

5 Motivación La información de un símbolo, de acuerdo con Shannon, está dada por: en donde Pi=probabilidad de que aparezca el símbolo Si. La información promedio (Entropía) está dada por:

6 Compresión sin Pérdida

7 Compresión sin pérdida
Debe notarse que la longitud óptima promedio está acotada por la entropía. Cuando, como en este caso, las probabilidades son potencias de 2 es posible alcanzar este límite. Cuando este no es el caso, el límite teórico no puede alcanzarse usando este tipo de codificación llamado de Huffman (por su inventor).

8 Ergodicidad Una de las características que se asumen en las fuentes tales que el método anterior sea efectivo, es que las fuentes sean ergódicas. De manera intuitiva, una fuente es ergódica si “sus” probabilidades se “establizan” después de un cierto tiempo. Un ejemplo de no-ergodicidad sería aquel en el que transmitiéramos un bloque de datos de un texto en español, primeramente, y un bloque de datos de una imagen .jpg, seguidamente.

9 Ergodicidad En el ejemplo anterior, claramente, las probabilidades del primer bloque serían diferentes de las del segundo. Enfatizamos que lo que hemos llamado “probabilidades”, en la práctica, se refieren a proporciones obtenidas del análisis estadísticos de los bloques de datos.

10 Las limitaciones de la Teoría de la información
Una de las premisas tácitas en la TI clásica, es que los “símbolos” son entidades definidas a priori (bytes, palabras, etc.) cuya relación de agrupamiento implica una cercanía topológica. Por ejemplo, si consideramos pares de letras, normalmente se consideran pares contiguos. En español, el par “qu” establece que P(u|q) es muy alta.

11 Transformación de Fuentes no-ergódicas en fuentes pseudo-ergódicas
El objetivo que nos hemos fijado es encontrar conjuntos de símbolos no necesariamente topológicamente vecinos. Si logramos lo anterior, cada conjunto de símbolos (llamado un meta-símbolo) hará las veces de un símbolo en una fuente ergódica y nos permitirá aplicar técnicas de primer orden a agrupamientos independientes entre si.

12 Nulo

13 La composición de las proteínas
Las proteínas en los seres vivos son las “máquinas” encargadas de ejecutar los comandos que están tácitos en el ADN celular. En las células existe un mecanismo de replicación-transcripción-traducción que lleva la información del ADN, vía el ARNm, a cadenas de aminoácidos que llamamos proteínas.

14 Los nucleótidos Todos los seres vivos contienen las instrucciones de su operación en el núcleo de cada una de sus células en cadenas de “bases” o nucleótidos. Las bases elegidas por la naturaleza son 4: a) Adenina (A) b) Citosina (C) c) Timina (T) d) Guanina (G)

15 El código genético Las cadenas de bases forman los genes que se encuentran en el cromosoma Por ejemplo, una posible cadena genética se describiría así: GATTACCA Lo más interesante es que cada tríada de bases se interpreta como una instrucción.

16

17 Aminoácidos Aminoácidos: ala = alanina, arg = arginina, asn = asparagina, asp = ácido aspártico, cis = cisteína, glu = ácido glutámico, gli = glicina, his = histidina, ile = isoleucina, leu = leucina, lis = lisina, met = metionina, fen = fenilalanina, pro = prolina, ser = serina, tre = treonina, tri = triptofano, tir = tirosina, val = valina.

18 Duplicación y Transcripción
Del ADN se pasa, por un proceso denominado “transcripción” al ARNm. Las bases se “copian” complementa-riamente: A<->T y G<->C. Por ejemplo, la cadena GATTACA duplica en ATAATGT, pero se transcribe como AUAAUGU porque en el ARNm la timina se reemplaza por uracilo (U).

19 Duplicación/Transcripción/Traducción

20 Proteínas Una proteína puede ser expresada como una secuencia de aminoácidos. La siguiente secuencia es la expresión de una proteína de E. coli: MARKTKQEAQETRQHILDVALRLFSQQGVSSTSLGEIAKAAGVTRGAIYWHFKDKSDLFSEIWELFRPCKRCQPEKANAQQHRLDKITHACRLLEQETPVTLEALADQVAMSPFHLHRLFKATTGMTPKAWQQAWRARRLRESLAKGESVTTSILNAGFPDSSSYYRKADETLGMTAKQFRHGGENLAVRYALADCELGRCLVAESERGICAILLGDDDATLISELQQMFPAADNAPADLMFQQHVREVIASLNQRDTPL

21 Proteínas Hay un problema fundamental en biología molecular: “¿Cómo se agrupan las proteínas?” Es decir, qué relación guardan entre sí las proteínas? (Hay miles en un ser vivo).

22 Proteínas En el pasado se ha intentado lograr:
La clasificación de secuencias [1] El agrupamiento de patrones de expresión genéticos [2] La clasificación de secuencias moleculares [3] La inferencia filogenética [4] En todos los casos que hemos logrado identificar, sin embargo, estos intentos han obedecido a criterios de clasificación y agrupamientos predeterminados.

23 Hipótesis Es posible lograr la clasificación de las proteínas de un ser vivo (nos enfocaremos a E. coli y S. cerevisiae) atendiendo solamente a las características estructurales de las proteínas.

24 Agrupamiento El primer problema es lograr el agrupamiento automático de las diversas proteínas. Para ello usaremos mapas auto-organizados en los cuales la determinación de los grupos se logra usando algoritmos genéticos.

25 Paso 1: En este mapa todas las neu- ronas vecinas forman parte
de un grupo. Pero no conoce- mos los grupos

26 Paso 2: En este mapa las neuronas han sido etique- tadas, de mane-
ra que sabemos a qué grupo per- tenece cada una.

27 Explicación de los Grupos
Con el método anterior es posible encontrar agrupamientos de proteínas de manera no-sesgada. Para explicar por qué se agrupan de esa manera es factible aplicar los algoritmos de búsqueda de meta-símbolos antes analizados.

28 Las proteínas como mensajes
Para estos algoritmos una cadena de aminoácidos es indisringuible de una cadena de letras, o de píxeles, o... De manera que los meta-símbolos embebidos en los grupos nos pueden dar una respuesta a por qué los agrupamientos se presentan como lo hacen.

29 Conclusiones Aplicando técnicas de búsqueda originalmente planteadas al problema de la compresión de datos, es factible encontrar las razones por las cuales las proteínas se agrupan en familias

30 Referencias [1] Wu C., Berry M., Fung Y.S., McLarty J., Neural networks for molecular sequence classification, Proc. Int. Conf. Intell. Syst. Mol. Biol., vol. 1, pp , 1993. [2] Wang, H.C., Dopazo, J., de la Fraga, L.G., Zhu, Y.P., Carazo, J.M., Self-organizing tree-growing network for the classification of protein sequences, Protein Sci., pp , 1998. [3] Ferran, E.A., Ferrara, P., Clustering proteins into families using artificial neural networks, Comput. Appl. Biosci., pp , 1992. [4] Friedman, N., Ninio, M., Pe'er, I., Pupko, T., A structural EM algorithm for phylogenetic inference, J. Comput. Biol., pp , 2002.