La recherche d

1
La recherche dinformation en bioinformatique

• Par Marc Hallé et Éric Paquet
• Dans le cadre du cours IFT6255
• Mercredi 9 avril 2003

2
Introduction aux problématiques

• Problème 1 Linformation contenue dans les
  articles de biologie nest pas stockée sous un
  format pratique à la recherche et à
  lexploitation.
• Solution Parcourir les banques darticles pour
  extraire linformation jugée pertinente tel les
  réactions entre les molécules et les informations
  particulières comme la localisation, les
  synonymes, la grosseur et la séquence de
  certaines molécules spécifiques.

3
suite des problématiques

• Problème 2 vu le grand nombre de protéines il
  serait intéressant de trouver un moyen de les
  regrouper selon certains critères pouvant nous
  aider à déterminer leurs fonctions.
• Solution Nous pouvons utiliser la structure
  secondaire des protéines comme un mot en
  recherche dinformation et utiliser un algorithme
  de clustering .

4
suite des problématiques

• Problème 3 Il y a beaucoup de nouvelles
  méthodes dans le domaine, mais il nexiste aucun
  test pour les comparer.
• Solution Créer des concours (challenge) pour
  stimuler lamélioration des techniques et donner
  une idée de létat de lart.

5
Introduction à lextraction dinformation

• Reconnaître le nom des molécules dans le texte (2
  approches)
• Fukuda et al. (1998), extraire des noms de
  protéines et de gènes en se basant sur des
  critères comme les lettres majuscules, les
  terminaisons spéciales et les caractères
  numériques
• La création dun corpus spécifique à la biologie
  Ohta et al. (2000), lutilisation des Hidden
  Markov Models Collier et al. (2000) ou des
  classificateurs Bayesian Wilbur et al. (1999)
  améliorent les résultats de recherche.

Référence 1
6
suite introduction à lextraction dinformation

• Reconnaître les interactions entre les molécules
  
• 2 méthodes principales
• Utiliser la co-occurrences des molécules
• Benoit (2000) co-occurrence des noms de gènes
• Ding et al. (2002) analyse par rapport au résumé,
  à un paragraphe ou à une phrase(approche par
  section).
• Utiliser des modèles représentant des structures
  linguistiques spéciales décrivant les
  interactions entre les molécules
• Ng et Wong (1999) modèles, résumés
• Wong (2001) augmentation du nombre de modèles,
  résumés
• Yakushiji et al. (2001) analyse complète à laide
  dune grammaire générale, résumés
• Friedman et al. (2001) GENIES, article complet
• Putejovsky et Castano (2002) mot inhibit
• Leroy et Chen (2002) GeneScene prépositions au
  lieu des verbes. Supposé être performant.

Référence 1
7
Description dune méthode dextraction
dinformation

• GENIES
• But découverte de pathways
• Partie de phrase à analyser   Raf-1 active
  Mek-1 
• Résultat de la partie  Tagger  
• ltprotéinegtRaf-1lt/protéinegt active
  ltprotéinegtMek-1lt/protéinegt
• Résultat de la partie  Pre-Processor  
• ltprotéinegtRaf-1lt/protéinegt, active,
  ltprotéinegtMek-1lt/protéinegt liste dindexes
• Résultat des partie  Parser  et  error
  recovery  
• action, active, protéine, Raf-1, protéine,
  Mek-1

Référence 3
8
Introduction au clustering et à la taxonomie
en bioinformatique

• Le but est de trouver une façon de regrouper les
  protéines à laide de certains critères pour
  arriver à un classement où chacune des catégories
  représenteraient une famille de protéine.
• SCOP est un système expert utilisé comme outil
  de référence dans le cadre de cette étude.

9
Petite base de biologie

• Structure primaire  Séquence de lettres
  représentant des acide aminés.
• Structure secondaire  regroupement de séquence
  dacides aminés (lettres) formant des groupes
  spécifique appelés hélice alpha, brin bêta et
  boucle oméga qui sont notés a , b , W
  respectivement.
• Structure tertiaire et quaternaire  Repliement
  et organisation en structure tridimensionnelle,
  forme finale de la protéine (pour les fins du
  présent rapport).
• Analogie avec la recherche dinformation

Recherche information Structure des protéines
Lettre Éléments structure primaire (acides aminés)
Mot / Terme Éléments structure secondaire (a, b, W )
Section / Document Structure tertiaire / protéine
10
Éléments de structures
Référence 4
11
Description des méthodes utilisées

• Même que celles de la recherche dinformation
• Définition dun ensemble délément à traiter
  protéines provenant de la PDB-Select assurant une
  bonne couverture
• Calcul de similarité pattern matching avec wild
  card
• Clustering en fonction des similarités calculées
  méthode itérative avec matrice de similarité
• Utilisation dune métrique pour calculer la
  performance du système comparaison avec des
  systèmes comme VAST et SCOP

12
Calcul de similarité entre chaque protéine

• La similarité Î 0,1 est calculée entre chacune
   ss-string  des protéines de l échantillon de
  la façon suivante
• Soit deux éléments de structure secondaire a,b
  et L(a), L(b) leurs longueurs respectives.
• Similarité entre Valeur
• a,b type identique min(L(a), L(b))
• a,b tel que a ou b est une loop 0.5 min(L(a),
  L(b))
• a,b type différent (hélice, strand) 0
• La valeur est ensuite normalisée en fonction de
  la longueur moyennes des ss-string.

13
Clustering

• Afin de faire un regroupement (clustering) des
  protéines , lon utilise une matrice de
  similarité contenant la distance entres chaque
  paire de protéine.
• - La distance d 1- valeur d'alignement
• - Larbre est ensuite construit suivant un
  Algorithme de type WPG (weighted pair group).

14
Exemple de résultats
Référence 2
15
SCOP comme outils de référence

• Une des principales conclusions de la comparaison
  avec SCOP est la similitude de Clustering 
  entre notre arbre et le regroupement en famille
  par SCOP
• Évaluation de performance  Clustering score
  function 

16
Clustering-score function (métrique pour
calculer la performance du système)

• td(a,b) distance topologique entre a et b

• Clustering-score A ( 2 å td(a, b) ) /
  (n(n-1) )
• a,b Î A

17
Cluster-scoring function exemple

• Pour une famille SCOP A 11,12,13,14
• -Pour chaque feuilles de larbre Î A on assigne
  un poids de 1 et 0 sinon.
• -Ensuite on calcul de façon récursive td(a,b)
  (Pa Pb )/ 2
• Exemple 
• Score11,12,13,14 ((3 0) ( 3 1)) / 6
  0.5

18
Investigation possible

• Actuellement les caractéristiques de comparaison
  sont prédéfinies. Il serait intéressant de
  vérifier sil est possible dextraire des
  caractéristiques de façon automatique (extraction
  de feature).

19
Besoin de challenge pour évaluer les méthodes

• Nécessite des données pour lentraînement
  (données réponses)
• Nécessite des données secrètes pour le test
  (données réponses)
• Nécessite un mode dévaluation des méthodes

20
Exemple de challenge dans le domaine de
lextraction dinformation

• 2 niveaux dévaluation
• Niveau du texte lui-même
• Niveau de la banque de textes
• Texte liste de faits devant être extraits
• Recall(E) TP(E)/TP(E) FN(E)
• Precision(E) TP(E)/TP(E) FP(E)
• Façon différente de calculer les TP, FN et FP
  selon le niveau de lévaluation
• Classification selon une variation de SMC (simple
  matching coefficient) nutilisant pas les TN
  SMC(E) TP(E)/TP(E) FN(E) FP(E)
• Définition dune grammaire de définition des
  structures à évaluer

21
Exemple de grammaire
22
Fin

• Questions?

23
Références

1. Lynette Hirschman, Jong C. Park, Junichi Tsujii,
   Limsoon Wong and Cathy H. Wu. Accomplishments
   and challenges in literature data mining for
   biology. BIOINFORMATICS REVIEW Vol. 18 no. 12
   2002 Pages 1553-1561.
2. Teresa Przytycka, Rajeev Arora and George D.Rose
   , A protein taxonomy based on secondary
   structure, NATURE STRUCTURAL BIOLOGY - volume 6
   number 7 july 1999 , Pages 672-682
3. Carol Friedman, Pauline Kra, Hong Yu, Michael
   Krauthammer and Andrey Rzhetsky. GENIES  a
   natural language processing system for the
   extraction of molecular pathways from journal
   articles. BIOINFORMATICS Vol. 17 Suppl. 1 2002
   Pages S74-S82.
4. Donald Voet Judith G.Voet, Biochimie,
   BeBoeck-Université page 106.