T

1
Técnicas de Aprendizado de Máquina e Dados de
Expressão Gênica

• Marcílio C. P. de Souto
• DIMAp/UFRN

2
Dados de Expressão Gênica
3
AM e Dados de Expressão Gênica (1/2)

• Algoritmos não supervisionados descoberta de
  classes (e.g., grupos de genes co-regulados)
• Algoritmos de agrupamento hierárquico
• k-médias
• Mapas auto-organizáveis
• Algoritmos supervisionados previsão de classes
  (e.g., classificação de funções dos genes)
• Redes neurais artificiais
• Mapas de vetores suporte

4
AM e Dados de Expressão Gênica (2/2)

• Desafios para os algoritmos de AM
• Centenas de Amostras (exemplos) x Milhares de
  genes (características)
• Overfitting (super-ajustamento aos dados)
• Poucas Replicações Alto Grau de Ruído
• Alta variância
• Valores faltosos
• Exemplos de treinamento rotulados incorretamente
• Bases de dados não balaceadas

5
Agrupamento de Dados de Expressão Gênica

• Agrupamento de genes
• Identificação de genes co-expressos/co-regulados
• Identificação de padrões temporais de expressão
• Redução de redundância
• Agrupamento de amostras
• Identificação de novas classes de amostras
  biológicas
• Novas classes de tumores
• Novos tipos de células
• Detecção de artefatos nos experimentos

6
Agrupamento de Genes

• Agrupamento de genes baseado nas suas expressões
• Dado um conjunto de genes de um organismo, em
  que cada gene é um padrão
• Faça Agrupe os genes baseado na similaridade de
  seus valores de expressão

7
Genes Agrupamento Hierárquico (1/2)

• Eisen et al. (1998)
• Trabalho pioneiro
• Dados
• 6621 genes da levedura submetidos a quatro
  situações distintas
• Divisão celular e respostas a diferentes
  estresses ambientais
• Quatro séries temporais com 79 instantes de tempo
• Para o agrupamento foram usados apenas 2467 genes
• Dados coletados por meio de microarrays de cDNA
• Técnica utilizada
• Agrupamento hierárquico

8
Genes Agrupamento Hierárquico (2/2)

• Eisen et al. (1998) usam o agrupamento
  hierárquico com a ligação média
• Similaridade entre genes é medida usando uma
  modificação do coeficiente de Pearson
• Consegue detectar relacionamento inversos
• Leva em consideração o deslocamento entre as
  curvas
• Técnica antiga, também chamada UPGMA em análise
  filogenética

9
Matriz de Expressão
Eisen et al. (1998)
experimentos
genes
10
Correlação de Pearson
Eisen et al. (1998)
11
Matriz de Correlação
Eisen et al. (1998)
genes
experimentos
genes
12
Encontrar a Correlação Máxima
Eisen et al. (1998)
genes
13
Combine e Calcule as Correlações
Eisen et al. (1998)
genes
Como um efeito colateral, o algoritmo produz um
dendograma
A B C D
14
Análise Posterior
Eisen et al. (1998)

• Seleção de aglomerados
• Seleção de um ordenamento dos genes para
  visualização
• Determinação dos rótulos do aglomerados
• Determinação da significância dos aglomerados

15
Resultados
(F) mitochondrial ribosome (G) ATP
synthesis (H) chromatin structure (I)
ribosome and translation (J) DNA replication

Microarray data from Figure 2 of Eisen et al.
(1998). Cluster Analysis and display of
genome-wide expression patterns, Proc. Natl.
Acad. Sci. 95 14863-14868
16
Genes SOMs (1/2)
Tamayo et al. (1999)

• Tamayo et al. (1999)
• SOMs aplicados a dados sobre a diferenciação de
  células sanguíneas
• Entradas
• Para validar o programa (GENECLUSTER)
• Dados sobre o ciclo celular da levedura
• Mesmos dados que Cho et al. (1998)
• Dados coletados por meio de microarrays de
  oligonucleotídeos
• 828 genes usados após filtro
• Padrões normalizados
• SOM uma grade 5 x 6, i.e., 30 aglomerados
• Distância euclidiana

17
Genes SOMs (1/2)
Tamayo et al. (1999)

• Entradas
• Dados sobre a diferenciação de células sanguíneas
  
• 4 linhagens de células hematopoéticas (HL-60,
  U937, Jurkat, NB4)
• Dados coletados por meio de microarrays de
  oligonucleotídeos
• 1036 genes usados após filtro
• Padrões normalizados
• SOM uma grade 6 4 SOM, i.e., 24 aglomerados
• Distância euclidiana

18
Genes k-médias
Tavazoie et al. (1999)

• Tavazoie et al. (1999)
• Entradas
• Expressão relativa de 6220 genes da levedura em
  dois ciclos célulares - 15 experimentos
• Dados coletados por meio de microarrays de
  oligonucleotídeos
• Utilzados apenas os 3000 genes que apresentaram
  maior variância
• Foi utilizado o k-médias com a distância
  euclidiana para encontrar 10, 30 e 60 aglomerados
• Para a análise foi escolhido o resultado do
  k-médias com k30

19
Agrupamento de Amostras

• Descoberta de novas classes de doenças
• Dado um conjunto de experimentos de microarray,
  cada um realizado com células de pacientes
  diferentes, com um determinado grupo de doenças.
  Os níveis de expressão de cada paciente
  representam as características e as amostras os
  padrões.
• Faça Agrupe as amostras para encontrar células
  que não se ajustam bem as classes atuais. Assumir
  que essas pertencem a novas classificações de
  doenças.

20
Amostras SOMs (1/2)

• Golub et al. (1999)
• Trabalho pioneiro
• Dados
• 38 amostras de medula óssea
• 11 - Leucemia Mielóide Aguda (AML)
• 27 - Leucemia Aguda Limfoblástica (ALL)
• 6817 genes humanos
• Dados coletados com arrays de oligonucleotídeos
• Técnica utilizada
• Mapas Auto-Organizáveis (SOMs)

21
Amostras SOMs (2/2)

• Golub et al. (1999)
• Inicialmente usam um SOM 2x1, i.e., 2 aglomerados
• Depois usam um SOM 4x1, i.e., 4 aglomerados
• Diferentemente do trabalho de Tamayo et al.
  (1999),os mapas são uni-dimensionais
• Similaridade entre genes é medida usando a
  distância euclidiana
• Os dados são padronizados

22
Descoberta Dados AML-ALL com 2 Aglomerados
Golub et al. (1999)
Classe A1 maioria ALL (24/25 amostras) Classe
A2 maioria AML (10/13 amostras)
A2
A2
23
Descoberta Dados AML-ALL com 4 Aglomerados
Golub et al. (1999)
Classe B1 AML Classe B2 ALL Linhagem-T Classe
B3 ALL Linhagem-B Classe B4 ALL Linhagem-B
B1
B2
B3
B4
24
Amostras Agrupamento Hierárquico

• Alizadeh et al. (2000)
• Entrada
• Dados de 96 experimentos com 4026 genes humanos
• Os 96 experimentos foram realizados com biopsias
  de pacientes com linfoma difuso de grandes
  células B (DLBCL)
• Foi usado a técnica de agrupamento hierárquico
  UPGMA, com a mesma versão do coeficiente de
  Pearson em (Eisen et al., 1998).

25
Outros Trabalhos

• Costa, I. G., de Carvalho, F. A. T., e de Souto,
  M. C.P. (2003). Comparative study on proximity
  indices for cluster analysis of gene expression
  time series. Journal of Inteligent and Fuzzy
  Systems, A ser publicado.
• Agrupamento dinâmico
• Dopazo, J. et al. (2001). Methods and approaches
  in the analysis of gene expression data. Journal
  Immunol. Methods, 250(1/2)93--12.
• Self-Organizing Tree Algorithm
• Raychaudhuri, S., Stuart, J. M., e Altman, R. B.
  (2000). Principal components analysis to
  summarize microarray experiments Application to
  sporulation time series. In Proc. of Pacific
  Symposium on Biocomputing, pp. 455--466.
• Análise de componentes principais
• Sharan, R. e Shamir, R. (2002). CLICK Clustering
  algorithm with applications to gene expression
  analysis. In Proc. of Intelligent Systems for
  Molecular Biology, pp. 307--316.

26
Previsão de Classes

• Predição de classes de doenças
• Muitas doenças não podem ser distinguidas de
  forma confiável por meio de técnicas tradicionais
  
• Diagnóstico de tecidos cancerosos e normais
• Classificação de tipos diferentes de cânceres
• Vários tumores diferentes têm a mesma aparência
  em exames histológicos
• Diagnóstico é fundamental para o sucesso do
  tratamento
• Predição da função biológica de um gene

27
Previsão de Classes de Doenças

• Predição de classes de doenças existentes
• Dado um conjunto de experimentos de microarray,
  cada um realizado com células de pacientes
  diferentes, com um determinado grupo de doenças.
  Os níveis de expressão de cada paciente
  representam as características e as amostras os
  padrões.
• Faça aprenda um modelo que possa classificar de
  maneira precisa uma nova célula na categoria da
  doença apropriada.

28
Previsão de Classes de Funções Redes Neurais

• Khan et al. (2001)
• Problema
• SRBCTs
• Neuroblastoma (NB)
• Rhabdomyosarcoma (RMS)
• Non Hodgkin lymphoma (NHL)
• The Ewing family of tumors (EWS)
• Todos têm aparência similar em exames histológico
• Diagnóstico acurante é essencial
• Abordagem
• Redes Neurais Artificiais (RNs)

29
Previsão de Classes de Funções Redes Neurais
Khan et al. (2001)

• Microarray de cDNA com 6567 genes
• 63 exemplos de treinamento
• Material da biopsia de tumores
• Linhagens celulares
• Filtro para um número mínimo de expressão
• 2308 genes
• Redução da dimensionalidade com PCA
• 10 componentes dominantes do PCA foram usadas
  (63 da variância)
• Três-fold cross-validation
• 3750 redes neurais foram construídas (vote médio)

30
Visão Esquemática do Processo
Khan et al. (2001)
31
Análise dos Dados
Khan et al. (2001)

• Arquitetura e parâmetros
• Perceptron Linear (PL)
• 10 entradas representando componentes do PCA
• 4 nodos de saída um para cada classe de tumor
  (EWS, BL, NB e RMS)
• 44 parâmetros livres, incluindo quatro unidades
  de threshold
• Treinamento realizado com o JETNET
• ?0.7 momentum0.3
• Taxa de aprendizado decrementada a cada iteração
  (0.99)
• Pesos iniciais escolhidos aleatoriamente em
  -r,r (r0.1/F)
• Pesos atualizados a cada 10 épocas
• No máximo 100 épocas

32
Observações
Khan et al. (2001)

• Técnicas de diagnóstico de tumores são em geral
  baseadas em histologia (morfologia) e
  imuno-histoquímica (expressão de proteínas)
• Alternativa
• Redes Neurais artificiais com dados de expressão
  gênica
• Um dos primeiros trabalho a testar rigorosamente
  uma técnica de classificação, com dados de
  expressão gênica, para o diagnósticos de mais de
  duas categorias
• Não houve overfitting e o erro de classificação
  no conjunto de treinamento foi igual a zero
• Dados
• Tumores e linhagem celulares
• Linhagens celulares para trinar RNs

33
Previsão de Classes de Funções

• Predição da função biológica de um gene
• Dado um conjunto de genes cuja classificação
  funcional é conhecida, junto com a expressão
  desses genes em diferentes condições.
• Faça aprenda a predizer a categoria funcional de
  genes adicionais (não vistos durante o
  treinamento) baseado em um vetor de níveis de
  expressão formado de acordo com o conjunto de
  condições experimentais especificadas.

34
Previsão de Classes de Funções Máquinas de
Vetores Suporte (SVMs)
Conhecimento a priori sobre a função do gene

35
SVMs (1/2)
Conhecimento a priori da função do gene Genes
que codificam proteínas ribomosais
36
SVMs (2/2)
Padrões de Treino
gene 1, 1, gene 2, 1, , gene N-1, 1,
gene N, 1
gene a, -1, gene b, -1,
Baseado nos dados de expressão
SVM treino
SVM teste
37
SVMs Treinamento
Membros
Não membros
Não separável c/ um hiperplano no espaço de
entradas
Separável com um hiperplano no espaço de
características
38
Previsão de Classes de Funções SVMs
Brown et al. (2000)
2467 genes da levedura
Dados de Microarray Exemplos de Treino
79 experimentos
39
Previsão de Classes de Funções SVMs
Brown et al. (2000)
Resultados mostraram baixo número de
falsos-positivos e falsos-negativos quando
comparado com outras técnicas de aprendizado
supervisionado, tais como janelas de Parzen,
discriminate linear de Fisher e árvores de
decisão.
40
Outros Trabalhos

• Eisen, M. B. et al. (1998). Cluster analysis and
  display of genome-wide expression pattern. In
  Proc. of National Academy of Sciences USA, volume
  95, pp. 14863--14868.
• Votação ponderada
• Shipp, M. A. et al. (2002). Diffuse large
  B-cell lymphoma outcome prediction by
  gene-expression profiling and supervised machine
  learning. Nature Medicine, 8(1)68--74.
• k vizinhos mais próximos

41
Análise de Dados de Expressão GênicaObservação

• Algoritmos de agrupamentos diferentes geram
  resultados diferentes
• Each clustering criterion imposes a certain
  structure on the data, and if the data happens to
  conform to the requirements of a particular
  criterion, the true clusters are recovered. (P.
  Dhaeseleer)
• Em geral, não se pode afirmar que há uma técnica
  melhor do que a outra
• Combinar resultados de diferentes técnicas

42
Análise de Dados de Expressão Gênica Novas
Direções

• Combinar resultados de diferentes técnicas
• Combinar dados de expressão com outras fontes de
  informação
• Artigos publicados
• Banco de dados de DNA proteína
• Perfis filogenéticos
• Funções metabólicas
• Anotações funcionais de estudos experimentais

43
Referências

• Expressão Gênica
• Alberts, B. et al. (1997). Biologia Molecular da
  Célula. Editora Artes Médicas, terceira edição
• Casley, D. (1992). Primer on Molecular Biology.
  Technical Report, U. S. Department of Energy,
  Office of Health and Environmental Research
• Lewis, R. (2001). Human Genetics - Concepts and
  Applications. Mc Graw Hill, quarta edição

44
Referências

• Redes Neurais Artificiais
• Haykin, S. (1999). Neural Networks A
  Comprehensive Foundation. Prentice Hall

45
Referências

• Máquinas de Vetores Suporte
• Cristianini, N. e Shawe-Taylor, J. (2000). An
  Introduction to Support Vector Machines and other
  kernel-based learning methods. Cambridge
  University Press
• Hearst, M. A. et al. (1998). Trends and
  controversies - support vector machines. IEEE
  Intelligent Systems, 13(4)1828
• Vapnik, V. N. (1995). The Nature of Statistical
  Learning Theory. Springer-Verlag

46
Referências

• Algoritmos de Agrupamento
• Jain, A. K. e Dubes, R. C. (1988). Algorithms for
  clustering data. Prentice Hall.
• Jain, A. K., Murty, M. N., e Flynn, P. (1999).
  Data clustering a review. ACM Computing Surveys,
  3(31)264--323.
• Sneath, P. H. A. e Sokal, R. R. (1973). Numerical
  Taxonomy. W. H. Freeman.
• Kohonen, T. (1997). Self-Organizing Maps.
  Springer-Verlag.
• Quackenbush, J. (2001). Computational analysis of
  cDNA microarray data. Nature Reviews,
  6(2)418--428.
• Slonim, D. (2002). From patterns to pathways
  gene expression data analysis comes of age.
  Nature Genetics, 32502--508.

47
Referências

• Descoberta de Padrões
• Eisen, M. B. et al. (1998). Cluster analysis and
  display of genome-wide expression pattern. In
  Proc. of National Academy of Sciences USA, volume
  95, pp. 14863--14868.
• Tamayo, P. et al. (1999). Interpreting patterns
  of gene expression with self-organizing maps
  methods and application to hematopoietic
  differentiation. In Proc. Natl. Acad. Sci. USA,
  962907--2912.
• Tavazoie, S. et al. (1999). Systematic
  determination of genetic network architecture.
  Nature Genetics, 22281--285.
• Brazma, A. e Vilo, J. (2000). Gene expression
  data analysis. FEBS Letters, 480(1)17--24.

48
Referências

• Descoberta de Padrões
• Golub, T. et al. (1999). Molecular classification
  of cancer class discovery and class prediction
  by gene expression monitoring. Science,
  5439(286)531--537.
• Alizadeh, A. A. et al. (2000). Distinct types of
  diffuse large B-cell lymphoma identified by gene
  expression profiling. Nature, 403503--511.

49
Referências

• Descoberta de Classes
• Khan, J. et al. (2001). Classification and
  diagnostic prediction of cancers using gene
  expression profiling and artificial neural
  networks. Nature Medicine, 7673--679.
• Brown, M. P. et al. (2000). Knowledge-based
  analysis of microarray gene expression data by
  using support vector machines. In Proc. of
  National Academy of Sciences USA, volume 97,
  pp. 262--267.