Utilizando Inteligência Artificial em Bioinformática Prof. André de Carvalho LABIC - Universidade de São Paulo
Principais tópicos Introdução Bioinformática Biologia Molecular Reconhecimento de Genes Utilizando Inteligência Artificial Conclusão
IA e Bioinformática Redes Neurais, Algorítmos genéticos Bioinformática BIOLOGIA COMPUTAÇÃO Bioinformática
Definições Bioinformática Pesquisa e desenvolvimento de ferramentas computacionais, matemáticas e estatísticas para a resolução de problemas da Biologia Biologia molecular A Computação está para a Biologia da mesma forma que a Matemática está para a Física. Harold Morowitz
Bioinformática Nos últimos anos, diversos laboratórios têm trabalhado no seqüenciamento de vários genomas Até o ano 2000: Mais que 30 organismos tinham sido seqüenciados Cerca de 150 organismos estavam sendo seqüenciados Determinação da seqüência de nucleotídeos em uma molécula é o primeiro passo para entender seu funcionamento Beneficia várias áreas Medicina - Farmácia - Agricultura
Crescimento do GenBank
Andamento de projetos genoma 73 genomas completos publicados Humano Camundongo Drosophila Arabidopsis Levedura 212 de procariotos em andamento 157 de eucariotos em andamento
Fração do genoma da levedura CCACACCACACCCACACACCCACACACCACACCACACACCACACCACACCCACACACACACATCCTAACACTACCCTAACACAGCCCTAATCTAACCCTGGCCAACCTGTCTCTCAACTTACCCTCCATTACCCTGCCTCCACTCGTTACCCTGTCCCATTCAACCATACCACTCCGAACCACCATCCATCCCTCTACTTACTACCACTCACCCACCGTTACCCTCCAATTACCCATATCCAACCCACTGCCACTTACCCTACCATTACCCTACCATCCACCATGACCTACTCACCATACTGTTCTTCTACCCACCATATTGAAACGCTAACAAATGATCGTAAATAACACACACGTGCTTACCCTACCACTTTATACCACCACCACATGCCATACTCACCCTCACTTGTATACTGATTTTACGTACGCACACGGATGCTACAGTATATACCATCTCAAACTTACCCTACTCTCAGATTCCACTTCACTCCATGGCCCATCTCTCACTGAATCAGTACCAAATGCACTCACATCATTATGCACGGCACTTGCCTCAGCGGTCTATACCCTGTGCCATTTACCCATAACGCCCATCATTATCCACATTTTGATATCTATATCTCATTCGGCGGTCCCAAATATTGTATAACTGCCCTTAATACATACGTTATACCACTTTTGCACCATATACTTACCACTCCATTTATATACACTTATGTCAATATTACAGAAAAATCCCCACAAAAATCACCTAAACATAAAAATATTCTACTTTTCAACAATAATACATAAACATATTGGCTTGTGGTAGCAACACTATCATGGTATCACTAACGTAAAAGTTCCTCAATATTGCAATTTGCTTGAACGGATGCTATTTCAGAATATTTCGTACTTACACAGGCCATACATTAGAATAATATGTCACATCACTGTCGTAACACTCTTTATTCACCGAGCAATAATACGGTAGTGGCTCAAACTCATGCGGGTGCTATGATACAATTATATCTTATTTCCATTCCCATATGCTAACCGCAATATCCTAAAAGCATAACTGATGCATCTTTAATCTTGTATGTGACACTACTCATACGAAGGGACTATATCTAGTCAAGACGATACTGTGATAGGTACGTTATTTAATAGGATCTATAACGAAATGTCAAATAATTTTACGGTAATATAACTTATCAGCGGCGTATACTAAAACGGACGTTACGATATTGTCTCACTTCATCTTACCACCCTCTATCTTATTGCTGATAGAACACTAACCCCTCAGCTTTATTTCTAGTTACAGTTACACAAAAAACTATGCCAACCCAGAAATCTTGATATTTTACGTGTCAAAAAATGAGGGTCTCTAAATGAGAGTTTGGTACCATGACTTGTAACTCGCACTGCCCTGATCTGCAATCTTGTTCTTAGAAGTGACGCATATTCTATACGGCCCGACGCGACGCGCCAAAAAATGAAAAACGAAGCAGCGACTCATTTTTATTTAAGGACAAAGGTTGCGAAGCCGCACATTTCCAATTTCATTGTTGTTTATTGGACATACACTGTTAGCTTTATTACCGTCCACGTTTTTTCTACAATAGTGTAGAAGTTTCTTTCTTATGTTCATCGTATTCATAAAATGCTTCACGAACACCGTCATTGATCAAATAGGTCTATAATATTAATATACATTTATATAATCTACGGTATTTATATCATCAAAAAAAAGTAGTTTTTTTATTTTATTTTGTTCGTTAATTTTCAATTTCTATGGAAACCCGTTCGTAAAATTGGCGTTTGTCTCTAGTTTGCGATAGTGTAGATACCGTCCTTGGATAGAGCACTGGAGATGGCTGGCTTTAATCTGCTGGAGTACCATGGAACACCGGTGATCATTCTGGTCACTTGGTCTGGAGCAATACCGGTCAACATGGTGGTGAAGTCACCGTAGTTGAAAACGGCTTCAGCAACTTCGACTGGGTAGGTTTCAGTTGGGTGGGCGGCTTGGAACATGTAGTATTGGGCTAAGTGAGCTCTGATATCAGAGACGTAGACACCCAATTCCACCAAGTTGACTCTTTCGTCAGATTGAGCTAGAGTGGTGGTTGCAGAAGCAGTAGCAGCGATGGCAGCGACACCAGCGGCGATTGAAGTTAATTTGACCATTGTATTTGTTTTGTTTGTTAGTGCTGATATAAGCTTAACAGGAAAGGAAAGAATAAAGACATATTCTCAAAGGCATATAGTTGAAGCAGCTCTATTTATACCCATTCCCTCATGGGTTGTTGCTATTTAAACGATCGCTGACTGGCACCAGTTCCTCATCAAATATTCTCTATATCTCATCTTTCACACAATCTCATTATCTCTATGGAGATGCTCTTGTTTCTGAACGAATCATAAATCTTTCATAGGTTTCGTATGTGGAGTACTGTTTTATGGCGCTTATGTGTATTCGTATGCGCAGAATGTGGGAATGCCAATTATAGGGGTGCCGAGGTGCCTTATAAAACCCTTTTCTGTGCCTGTGACATTTCCTTTTTCGGTCAAAAAGAATATCCGAATTTTAGATTTGGACCCTCGTACAGAAGCTTATTGTCTAAGCCTGAATTCAGTCTGCTTTAAACGGCTTCCGCGGAGGAAATATTTCCATCTCTTGAATTCGTACAACATTAAACGTGTGTTGGGAGTCGTATACTGTTAGGGTCTGTAAACTTGTGAACTCTCGGCAAATGCCTTGGTGCAATTACGTAATTTTAGCCGCTGAGAAGCGGATGGTAATGAGACAAGTTGATATCAAACAGATACATATTTAAAAGAGGGTACCGCTAATTTAGCAGGGCAGTATTATTGTAGTTTGATATGTACGGCTAACTGAACCTAAGTAGGGATATGAGAGTAAGAACGTTCGGCTACTCTTCTTTCTAAGTGGGATTTTTCTTAATCCTTGGATTCTTAAAAGGTTATTAAAGTTCCGCACAAAGAACGCTTGGAAATCGCATTCATCAAAGAACAACTCTTCGTTTTCCAAACAATCTTCCCGAAAAAGTAGCCGTTCATTTCCCTTCCGATTTCATTCCTAGACTGCCAAATTTTTCTTGCTCATTTATAATGATTGATAAGAATTGTATTTGTGTCCCATTCTCGTAGATAAAATTCTTGGATGTTAAAAAATTATTATTTTCTTCATAAAGAAGCTTTCAAGATATAAGATACGAAATAGGGGTTGATAATTGCATGACAGTAGCTTTAGATCAAAAAGGAAAGCATGGAGGGAAACAGTAAACAGTGAAAATTCTCTTGAGAACCAAAGTAAACCTTCATTGAAGAGCTTCCTTAAAAAATTTAGAATCTCCCATGTCAACGGGTTTCCATACCTCCCCAGCATCATACATCTTTTTTCAAAGAAACTTCAAATGCCTCTTTTATGCAAGGGGCAAAATCCTGAAATGACTTAAACTTAGCAGTTTCGTCTTTTTTCAAAGAGAATGGTTGAAGAAGAATTGTTTTGGACGCTTATTGACAATCTGTTGCATTGATAAAGTACCTACTATCCCAGACTATATTTGTATACAAGTACAAAATTAGGTTTGTTGAAACAACTTTCCGATCATTGGTGCCCGTATCTGATGTTTTTTTAGTAATTTCTTTGTAAATACAGGGAGTTGTTTCGAAAGCTTATGAGAAAAATACATGAATGACAGGTAAAAATATTGGCTCGAAAAAGAGGACAAAAAGAGAAATCATAAATGAGTAAACCCACTTGCTGGACATTATCCAGTAAAGGCTTGGTAGTAACCATAATATTACCCAGGTACGAAACGCTAAGAACCTTGAAAGACTCATAAAACTTCCAGGTTAAGCTATTTTTGAAAATATTCTGAGGTAAAAGCCATTAAGGTCCAGATAACCAAGGGACAATAAACCTATGCTTTTCTTGTCTTCAATTTCAGTATCTTTCCATTTTGATAATGAGCATGTGATCCGGAAAGCTACTTTATGATGTTTCAAGGCCTGAAGTTTGAATATTTATGTAGTTCAACATCAAATGTGTCTATTTTGTGATGAGGCAACCGTCGACAACCTTATTATCGAAAAAGAACAACAAGTTCACATGCTTGTTACTCTCTATAACTAGAGAGTACTTTTTTTGGAAGCAAGTAAGAATAAGTCAATTTCTACTTACCTCATTAGGGAAAAATTTAATAGCAGTTGTTATAACGACAAATACAGGCCCTAAAAAATTCACTGTATTCAATGGTCTACGAATCGTCAATCGCTTGCGGTTATGGCACGAAGAACAATGCAATAGCTCTTACAAGCCACTACATGACAAGCAACTCATAATTTAA
Bioinformática Ênfase está se deslocando progressivamente da acumulação de dados para a sua interpretação Com os seqüenciamentos realizados, uma grande quantidade de dados tem sido gerada Estes dados precisam agora ser analisados Análise laboratorial destes dados é difícil e cara Ferramentas computacionais sofisticadas são necessárias para a análise dos dados obtidos
Bioinformática Para muitas destas análises, as ferramentas computacionais precisam lidar com dados imprecisos e ruidosos Técnicas de laboratório de Biologia Molecular quase sempre geram dados com erros ou imprecisões Na medição dos valores ou definição das classes Inteligência Artificial fornecem técnicas eficientes para lidar com problemas deste tipo
Biologia Molecular Estudo das células e moléculas Em particular: genoma dos organismos Estruturas principais: Genes Cromossomos DNA RNA Proteínas Expressão Gênica nucleotídeos aminoácidos
Biologia Molecular Dogma central da Biologia Molecular Transferência de Informação Replicação DNA Transcrição RNA Tradução Proteínas
Biologia Molecular Algumas descobertas posteriores contradizem este dogma: RNA pode sofrer replicação em alguns vírus e plantas RNA viral, através de uma enzima denominada transcriptase reversa, pode ser transcrito em DNA DNA pode traduzir diretamente proteínas específicas Sem passar pelo processo de transcrição
Biologia Molecular DNA (Ácido Desoxirribonucleico) O DNA é uma molécula formada por duas fitas (dupla fita) que se entrelaçam formando uma hélice dupla DNA é composto de quatro nucleotídeos diferentes Adenina, Citosina, Guanina e Timina Fitas são mantidas juntas por ligações que conectam cada nucleotídeo de uma fita ao seu complemento na outra A se liga com T e C se liga com G
Biologia Molecular Genes Subseqüências de DNA Localizados no cromossomo Servem como molde para a produção de proteínas Encaixadas entre os genes estão segmentos chamados de regiões não codificadoras
Biologia Molecular Proteínas Definem estrutura, função e mecanismos regulatórios das células Exemplos de mecanismos regulatórios: controle do ciclo celular, transcrição gênica Seqüências lineares Combinações de 20 aminoácidos diferentes Três nucleotídeos (codon) formam um aminoácido
Biologia Molecular
Biologia Molecular Expressão gênica Processo pelo qual genes são usados para produzir proteínas Mecanismos de expressão gênica são diferentes para organismos: Eucariotos Material genético difuso nas células (Ex.: bactérias) Procariotos Material genético em um núcleo (Ex.: seres humanos)
Processo de expressão gênica Transcrição RNA polimerase é a molécula (enzima) que transcreve DNA em RNA RNA polimerase começa a transcrição após se ligar a um sinal regulatório no DNA chamado promotor Gera molécula de RNA mensageiro (mRNA)
Processo de expressão gênica Transcrição depende do organismo Organismos eucariotos Cada gene é transcrito independentemente Existe um promotor antes de todo gene Organismos procariotos Vários genes consecutivos podem ser transcritos em uma única molécula de RNA Não existe necessariamente um promotor antes de cada gene
Processo de expressão gênica Tradução Sintetiza uma proteína utilizando como forma mRNA Leitura do mRNA é feita por uma molécula chamada de ribossomo Mensagem lida é utilizada para montar uma cadeia de proteína Tripla de nucleotídeos consecutivos (codon) codifica um aminoácido Código genético: mapeamento de codons em aminoácidos
Processo de expressão gênica DNA RNA Polimerase G C A G C T C C G G A C T C C A T . . . T promotor Transcrição mRNA A
Processo de expressão gênica DNA RNA Polimerase T G C A G C T C C G G A C T C C A T . . . promotor Transcrição mRNA A C G U C G A G G C C U G A G G U A . . .
Processo de expressão gênica DNA RNA Polimerase T G C A G C T C C G G A C T C C A T . . . Ribossomo promotor Transcrição mRNA A C G A C G U C G A G G C C U G A G G U A . . . Tradução Thr
Processo de expressão gênica DNA RNA Polimerase T G C A G C T C C G G A C T C C A T . . . promotor Transcrição mRNA A C G U C G A G G C C U G A G G U A . . . Tradução Ribossomo Ser His Ser Gly Leu Cys
Processo de expressão gênica Estrutura de leitura Para uma dada faixa de DNA, nucleotídeos podem ser agrupados em triplas de três formas diferentes Um dos nucleotídeos pode ocupar a 1a, 2a ou 3a posição em um codon Apenas um destes três possíveis agrupamentos é realmente lido pelo ribossomo O agrupamento lido é chamado de estrutura de leitura do gene A T T A C G A A G
Processo de expressão gênica Em organismos eucariotos, existe um outro passo importante durante o processo de expressão gênica Após o DNA ser transcrito, certas partes da molécula são eliminadas antes de sua transformação em proteína Genes em eucariotos são formados por segmentos alternados de exons e introns
Regiões de splice Exons: Introns: Seqüências de nucleotídeos que são expressas (traduzidas em proteínas) Introns: Seqüências intercaladas que são eliminadas na tradução Regiões de splice (splice-junctions): Pontos de fronteira onde ocorrem junções de exons e introns Doadoras: bordas exon-intron Aceptoras: bordas intron-exon
Splice-junctions DNA Transcrição doador aceptor mRNA exon intron Splicing mRNA
Biologia Molecular e IA Problemas da Biologia Molecular que podem ser tratados por IA Reconhecimento de genes Construção de árvores filogenéticas Análise de expressão gênica Previsão de estruturas de proteínas Análise de interação entre genes Montagem de fragmentos Alinhamento de seqüências
Reconhecimento de genes Um dos principais problemas em biologia molecular é a identificação de genes em seqüências de DNA não caracterizadas Algoritmos convencionais não têm sido eficientes Variação natural dos genes Complexidade dos genes Natureza pouco compreendida dos genes Abordagem promissora: Aprendizado de Máquina
Reconhecimento de genes Duas abordagens principais têm sido seguidas: Busca por sinal Busca por conteúdo
Reconhecimento de genes Busca por sinal Localiza genes indiretamente Procura sinais particulares relacionados com a expressão de genes Sinal Região localizada do DNA que realiza uma função específica (exemplo: se liga a uma enzima)
Reconhecimento de genes Busca por conteúdo Reconhece genes diretamente Identifica segmentos de seqüências de DNA que possuem as propriedades gerais de regiões codificadoras Se baseia no conhecimento das diferentes propriedades estatísticas de regiões codificadoras e não codificadoras
Busca por sinal É importante não apenas entender a função de cada gene Mas também os mecanismos que regulam a expressão do gene Vários sinais exercem importantes funções regulatórias definindo: Condições sob as quais os genes são expressos Taxa com a qual a expressão ocorre
Busca por sinal Detecção de sinal já é um problema em si Vários sinais que podem ser identificados em seqüências de nucleotídeos são importantes para a identificação de genes Sítios de início de transcrição (promotores) Sítios de término de transcrição (terminadores) Sítios de splice-junction Sítios de início da tradução (codons de iniciação) Sítios de término da tradução (codons de parada ou stop codons)
Busca por sinal Diferentes sinais têm diferentes dificuldades de identificação Codons de parada são facilmente identificados Identificação de outros sinais é mais complicada Busca por sinal é uma tarefa de classificação Dada uma janela de tamanho fixo de um DNA, determinar se ela contém um sinal de interesse Se uma característica identificável do sinal ocupa uma posição particular na janela
Seqüência de DNA ... A T C G T G C T T A C G C G T C C A Busca por sinal Promotor na posição 3? Classificador Posição 1 = ‘C’ Posição 2 = ‘T’ Posição 3 = ‘T’ Posição 4 = ‘A’ Posição 5 = ‘C’ Posição 6 = ‘G’ Representação das características Seqüência de DNA ... A T C G T G C T T A C G C G T C C A 1 2 3 4 5 6
Reconhecimento de início da tradução Reconhece codons de iniciação Tradução de mRNA em proteína não começa com sua primeira tripla de nucleotídeos Em organismos procariotos, uma simples molécula de mRNA pode ter vários sítios de início de tradução Genes consecutivos podem ser transcritos em uma única cadeia de mRNA
Reconhecimento de promotores Sinal regulatório de uma molécula de DNA onde RNA polimerase se liga para começar a transcrição RNA polimerase é uma molécula que transcreve DNA em RNA Auxilia na localização de genes no DNA Existem sítios amplamente aceitos como sendo as regiões que fornecem as carecterísticas definidoras de promotores Regiões 10 e 35
Busca pelo conteúdo Identifica genes reconhecendo padrões que que ocorrem na sua seqüência de nucleotídeos Regiões do DNA que serão traduzidas em proteínas Organismos procariotos: distinguir genes de regiões não codificadoras Organismos eucariotos: distinguir também introns de exons Janelas de tamanho fixo também são utilizadas para esta previsão
Busca pelo conteúdo Busca por conteúdo procura responder as seguintes perguntas: Quais são as regiões codificadoras Para uma dada região, que faixa e qual estrutura de leitura codifica a proteína Várias propriedades podem ser exploradas para distinguir regiões codificadoras de não codificadoras
Busca pelo conteúdo Propriedades que podem ser exploradas: Alguns aminoácidos são usados mais freqüentemente que outros em regiões codificadoras A existência de diferentes números de codons para aminoácidos diferentes Codons que mapeiam em um dado aminoácido não são usados igualmente na maioria dos organismos Não podem conter codons de parada Alguns codons têm maior probabilidade de serem vizinhos
Reconhecimento de genes Abordagens mais promissoras em reconhecimento de genes: Combinam previsão de vários sinais diferentes e regiões codificadoras Reconhecimento de operons Genes consecutivos que são ativados ou desativados em conjunto
Redes Neurais Artificiais Sistemas computacionais distribuídos baseados na estrutura e funcionamento do sistema nervoso Nodos simulam neurônios Conexões ponderadas simulam sinapses Definidas por Arquitetura Aprendizado
Redes Neurais Artificiais camadas intermediárias camada de entrada camada de saída conexões
Redes Neurais Artificiais Stormo et al (1982): reconhecimento de sítios de início de tradução no DNA de bactérias E. Coli Primeira aplicação de Redes Neurais em Bioinformática Utilizou rede Perceptron A C G T A C G T A C G T ... A T C G T G C T T A C G C G C G T ...
Redes Neurais Artificiais Reconhecimento de regiões de splicing Rampone (1998) Reconhecimento de promotores Ma e Wang (1999) Bajic et al. (2002) Previsão de estrutura de proteínas Riis et al (1995) Polyac et al (1992) Servidor GRAIL - identificação de genes Uberbacher et al (1993) Sítios de início de transcrição Towell et al (1990) Problema abordado Trabalho
Algoritmos Genéticos Técnica de busca e otimização Baseados na genética e teoria da seleção natural Utiliza uma população de soluções candidatas (indivíduos) A cada indivíduo é associado um escore de aptidão, que mede o quão boa é a solução que ele representa Otimização ocorre em várias gerações A cada geração Mecanismos de seleção selecionam os indivíduos mais aptos Operadores de reprodução geram novos indivíduos
Algoritmos Genéticos População inicial População final Avaliação População atual Seleção Reprodução
Algoritmos Genéticos Alinhamento de seqüências: Uma a uma Uma com várias Identificar: Inserções Remoções Substituições Seq1: A G C C A T A T Seq2: A C G C T A T A Seq1: A G C C A T A T Seq2: A C G C T A T A
Algoritmos Genéticos Alinhamento de sequências Zhang e Wong (1997) Previsão de estrutura de proteínas Alander (1995) Krasnogor et al. (1999) Problema abordado Trabalho
Raciocínio Baseado em Casos Resolve novos problemas adaptando soluções de problemas anteriores semelhantes Solução Problema Nova solução 2 Novo problema 1
Raciocínio Baseado em Casos RBC é mais que uma Base de Dados Não é uma tabela de busca Sistemas de RBC procuram casos passados semelhantes ao problema atual em uma base de casos indexada Indexação e representação de casos facilitam recuperação de casos relevantes e sua comparação com o problema atual Permite adaptação de casos
Raciocínio Baseado em Casos Ciclo de um sistema de RBC (Aamodt, 1993)
Raciocínio Baseado em Casos Alinhamento de seqüências Harris et al. (1993) Reconhecimento de genes Shavlik (1990, 1991) Problema abordado Trabalho
Classificadores de Margens Largas Maximizam a margem de separação entre classes presentes nos dados Máquinas de Vetores Suporte (SVMs) Boosting Maior capacidade de generalização Baseados na Teoria de Aprendizado EstatísticoVapnik e Chervonenkis (1968) Embute conceitos probabilísticos e estatísticos
Classificadores de Margens Largas Máquinas de Vetores Suporte Encontra um hiperplano ótimo que separa classes em um espaço abstrato margem Classe 1 Classe 2
Classificadores de Margens Largas Análise de expressão gênica Expressão Tecido normal Tecido com tumor Gene T1 T2 T3 T1 T2 T3 1 128 100 30 20 10 9 2 20 10 18 104 210 47 3 29 130 7 37 310 40 4 21 12 15 92 123 84
Classificadores de Margens Largas Promotores, reg. codificadoras AB, RNs Jackson (1995) DNA microarray SVMs, ADs Brown et al. (1999) Subfamílias proteínas SVMs Karchin et al. (2002) Especificidade proteínas ADs, AB Huss et al. (2001) Bem-Hur et al. (2000) Furey et al. (2001) Zien et al. (2000) Ding e Dubchak (2001) Trabalho SVMs, AB, clusterização Sítios de início de tradução Estrutura proteínas SVMs, RNs Problema abordado Técnicas
Árvores de Decisão Organizam informações em estrutura composta de nós e ramificações Nós: testes sobre atributos; Ramos: resultados dos testes sorri sim não segura inimigo espada balão ou bandeira inimigo amigo
Árvores de Decisão Lapedes et al (1989): detecção de regiões de splicing (regiões doadoras) Entrada: cadeia de nucleotídeos Positivo Posição 8 = ? Posição 3 = ? Negativo Posição 9 = ? A C G T
Outras técnicas Técnica Problema Trabalho Redes Baysianas Detecção de genes Friedman et al (2000) Cadeias de Markov Detecção de genes Eddy (1998) RNAs, AGs e k-NN Estrutura de proteínas Guan et al (1994) Lingüística computacional Previsão da estrutura de genes Dond e Searls (1994)
Projeto Fapesp Genoma Clínico Genoma do câncer humano Dados clínicos e de expressão gênica Sage, PCR, Microarray e MPSS 9 tipos de câncer Análise de expressão gênica Data mining Utiliza técnicas de Aprendizado de Máquina FAPESP e Instituto Ludwig
Projeto CNPq - Bioinformática Reconhecimento de genes Identificação de promotores Reconhecimento de regiões de splicing Reconhecimento de regiões codificadoras Utiliza SVMs, AB e RNs Metodologias para melhorar desempenho Redução de ruídos Seleção de atributos CNPq e FAPESP
Projeto CNPq - Bioinformática Melhoramento genético Utiliza marcadores moleculares para avaliar potencial genético 10 marcadores (2 já foram avaliados) Identificação de cruzamentos mais promissores Previsão de ganho de peso entre nascimento e desmama Utiliza SVMs e RNs CNPq e Embrapa
Referências de IA e Bioinformática Artificial Intelligence and Molecular Biology Editado por Lawrence Hunter, AAAI Press Book Disponível gratuitamente na internet Bioinformatics (Adaptive Computation and Machine Learning) Pierre Baldi, Soren Brunak, Sren Brunak, MIT Press Neural Networks and Genome Informatics Cathy H. Wu, Jerry W. McLarty, Elssevier Data Analysis and Classification for Bioinformatics Arun Jagota
Conclusão Introdução Bioinformática Biologia Molecular Reconhecimento de Genes Utilização de IA em Bioinformática
Agradecimentos Ana Carolina Lorena Cláudia Regina Milaré Humberto de Sousa Silvia Gorla Modonese da Silva Alexandre Delbem Katti Faceli Welington Martins
Reconhecimento de regiões de splicing Dados: regiões de splicing de primatas (UCI) Divisão do problema: Identificação de presença da região (Experimento 1) Determinação do tipo da região (Experimento 2) intron-exon exon-intron Técnicas: Árvores de Decisão (ADs) Redes Neurais Artificiais (RNAs) Máquinas de Vetores Suporte (SVMs)
Pré-processamento dos dados Heurística Tomek links: identificar Dados classificados incorretamente Borderlines 5 - 6 % dados
Resultados ADs: RNAs: SVMs: diminuição do tamanho das árvores induzidas (10 - 33 %) RNAs: menor tempo de treinamento (20 %) SVMs: menor tempo de treinamento (7 - 15 %) menor número de vetores suporte (6 - 10 %)
Erros obtidos (%) Experimento 1 Experimento 2 3.7 2.4 5.3 2.4 4.5 1.6 6.8 1.0 1.9 1.0 4.5 0.9 Pré-proc. 3.3 2.8 5.3 2.3 4.3 1.5 6.7 0.9 1.9 0.6 4.4 0.6 Originais EI IE Total N IE+EI Dados A D R N A 3.0 2.8 4.3 2.3 3.7 1.7 -- Pré-proc. 3.3 2.3 3.6 1.7 3.5 1.7 Originais S V M 0.9 0.5 1.2 1.2 2.1 1.2 2.0 0.4 1.0 0.8 2.9 0.8 Pré-proc. 2.1 2.3 1.7 1.1 1.9 1.1 2.2 0.6 1.3 0.8 3.6 0.9 Originais
Teste de Significância Significância com que Técnica 1 é melhor que Técnica 2 Experimento 1: Experimento 2: 95 % AD SVM Pré-processados Originais Técnica 2 Técnica 1 80 % -- AD RNA 95 % SVM Pré-processados Originais Técnica 2 Técnica 1
Análise de expressão gênica Várias medidas foram testadas para a seleção de genes Para as várias medidas foram selecionados 50, 10 e 4 genes, sendo metade hipo e metade hiper expressos Para os casos 10 e 4 genes, os genes foram selecionados dentre aqueles com expressão > 5 (apenas 84 genes)
Experimentos Os genes selecionados foram utilizados em um algoritmo de Aprendizado de Máquina (AM) AM utilizado para classificar se uma amostra é de tecido normal ou com tumor, a partir dos dados de expressão desses genes Objetivo: verificar quais entre várias medidas para seleção dos genes forneceu um conjunto de genes mais apropriado para a distinção tumor/normal
Bibliotecas empregadas Normal 1 - SAGE_Brain_normal_cerebellum_B_1_FREQUENCY 2 - SAGE_Brain_normal_cerebellum_B_BB542_FREQUENCY 3 - SAGE_Brain_normal_cortex_B_BB542_FREQUENCY 4 - SAGE_Brain_normal_cortex_B_pool6_FREQUENCY 5 - SAGE_Brain_normal_peds_cortex_B_H1571_FREQUENCY 6 - SAGE_Brain_normal_thalamus_B_1_FREQUENCY Tumor 7 - SAGE_Brain_astrocytoma_gradeIII_B_H1020_FREQUENCY 8 - SAGE_Brain_ependymoma_B_239_FREQUENCY 9 - SAGE_Brain_glioblastoma_B_GBM1062_FREQUENCY 10 - SAGE_Brain_glioblastoma_CL_H54+EGFRvIII_FREQUENCY 11 - SAGE_Brain_glioblastoma_CL_H54+LacZ_FREQUENCY 12 - SAGE_Brain_medulloblastoma_B_96-04-P019_FREQUENCY 13 - SAGE_Brain_medulloblastoma_B_98-04-P494_FREQUENCY 14 - SAGE_Brain_medulloblastoma_B_98-05-P608_FREQUENCY
Resultados Classificações incorretas Fórmula 4 genes 10 genes 50 genes Medida 1 B (Difference) A (Ratio) D E F (correlação de Pearson) 2 I (Distância Euclidiana) H (Baseado em C e D) G (Baseado em A e B) C Se senão Se senão
Genes selecionados com as várias medidas TAG UNIGENE No. de vezes que foi selecionado Descrição AAGTTGCTAT 78575 1 Prosaposin (variant Gaucher disease and variant metachromatic leukodystrophy) AGGCTACGGA 119122 6 ribosomal protein L13a ATGTGAAGAG 111779 secreted protein, acidic, cysteine-rich (osteonectin) ATTTGAGAAG 178658 9 RAD23 homolog B (S. cerevisiae) CACCTAATTG 334477 FLJ23277 protein CCACTGCACT 107003 enhancer of invasion 10 CCTGTAATCC 138593 5'-nucleotidase (purine), cytosolic type B CTGGGTTAAT 298262 5 ribosomal protein S19 GAGGGAGTTT 76064 8 ribosomal protein L27a GGCAAGCCCC 334895 2 ribosomal protein L10a GGCTGGGGGC 75721 3 profilin 1 GGGCTGGGGT 90436 sperm associated antigen 7 GTGAAACCCC 372737 hypothetical protein MGC3207 GTGAAACCCT 182476 hypothetical protein PP1226 GTGAAGGCAG 77039 ribosomal protein S3A GTTGTGGTTA 75415 beta-2-microglobulin TACCATCAAT 169476 glyceraldehyde-3-phosphate dehydrogenase TACTAGTCCT 289088 heat shock 90kD protein 1, alpha TAGGTTGTCT 279860 tumor protein, translationally-controlled 1 TGCACGTTTT 169793 ribosomal protein L32 TGCCTGCACC 135084 cystatin C (amyloid angiopathy and cerebral hemorrhage) TGGAGTGGAG 3764 guanylate kinase 1 TGTACCTGTA 334842 tubulin, alpha, ubiquitous TTGGGGTTTC 62954 ferritin, heavy polypeptide 1