Aplicaciones de Algoritmos Genticos a la Protemica Computacional

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 Piprobabilidad 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(uq) 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
(No Transcript)
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
  Alt-gtT y Glt-gtC.
• 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

MARKTKQEAQETRQHILDVALRLFSQQGVSSTSLGEIAKAAGVTRGAIYW
HFKDKSDLFSEIWELFRPCKRCQPEKANAQQHRLDKITHACRLLEQETPV
TLEALADQVAMSPFHLHRLFKATTGMTPKAWQQAWRARRLRESLAKGESV
TTSILNAGFPDSSSYYRKADETLGMTAKQFRHGGENLAVRYALADCELGR
CLVAESERGICAILLGDDDATLISELQQMFPAADNAPADLMFQQHVREVI
ASLNQRDTPL
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. 429-437, 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. 2613-22,
  1998.
• 3 Ferran, E.A., Ferrara, P., Clustering
  proteins into families using artificial neural
  networks,
• Comput. Appl. Biosci., pp. 39-44, 1992.
• 4 Friedman, N., Ninio, M., Pe'er, I., Pupko,
  T., A structural EM algorithm for phylogenetic
  inference, J. Comput. Biol., pp. 331-353, 2002.