Reconhecimento de Genes Marcílio C. P. de Souto DIMAp/UFRN.

Reconhecimento de GenesReconhecimento de Genes

Marcílio C. P. de Souto

DIMAp/UFRN

Aprendizado de MáquinaAprendizado de Máquina:: gera descrições próprias dos conceitos genéticos

Aprendizado de MáquinaAprendizado de Máquina:: gera descrições próprias dos conceitos genéticos

Reconhecimento de genes (1/2)

Análise em laboratório:Análise em laboratório: difícil e cara Alternativa: uso de técnicas computacionais

Variação, complexidade e natureza ainda desconhecida dos genes Dificuldade de codificar algoritmos específicos

Reconhecimento de genes (2/2)

Abordagens para localização de genes: Busca por sinal: localiza indiretamente, por

sinais associados à expressão gênica Promotores Sítios de início de tradução

Busca por conteúdo: identifica segmentos do DNA com propriedades (padrões) de regiões codificadoras

Busca por Sinal (1/4)

Localiza sinais associados à presença de genes

Mais próximo do modo biológico

Muitos sinais realizam funções regulatórias Ex.: velocidade de Expressão

Busca por Sinal (2/4) Alternativas:

Achar seqüência consenso Muito simples

Matriz de Posições Ponderadas Modelo para o sinal Dependência estatística entre nucleotídeos vizinhos

Classificação Aprendizado de Máquina


Classificação: dada janela de tamanho fixo, determinar se há sinal em uma posição particular

. . . A T C C T T A C G C G T A . . .

Classificador

Sinal na posição 3?

Posição 1 = CPosição 2 = TPosição 3 = TPosição 4 = APosição 5 = CPosição 6 = G

janela

. . . A T C C T T A C G C G T A . . .

Tamanho da janela

Instâncias alinhadas


Problemas:

Identificação de sítios de início de tradução

Identificação de promotores

Identificação de sítios de splicing

Busca por Sinal – Splicing (1/8)

Identificação de sítios de splicingIdentificação de sítios de splicing

Dado: conjunto de seqüências de DNA de tamanho fixo

Faça: gerar classificador para identificar se uma janela possui uma fronteira intron-exon, exon-intron, ou nenhuma delas


Eucariotos

Nomenclatura bordas: Exon/intron: doadoras (GT) Intron/exon: receptoras (AG)

Importância: necessário demarcar precisamente

segmentos de DNA traduzidos


Lapedes et al. (1989): ADs, RNs e kNN Janelas: 11, 21 e 41

Positivo

Entrada:Entrada: Cadeia de nucleotídeos

Posição 8 = ?

Posição 3 = ? Negativo

Posição 9 = ?

A C G T

A C G T A C G T

Negativo

Negativo

Positivo Negativo

Positivo Negativo

Negativo

Regiões DoadorasRegiões Doadoras


Lapedes et al. (1989)

Instâncias alinhadas segundo AG/GT Inclusive negativas

RNs melhor: 91% precisão receptoras e 95% doadoras

ADs: regras interpretáveis biologicamente


Para RNs (e também SVMs): necessária conversão dos nucleotídeos para valores numéricos

Converter cada símbolo para valores entre 0 e 1 A = 0, B = 0.33, C = 0.66 e T = 1.0 Favorece algumas substituições de bases

Algumas bases podem ser interpretadas como mais próximas Não é biologicamente comprovado Não é claro

Codificação ortogonal A = 0001, C = 0010, G = 0100 e T = 1000 Considera distâncias entre bases iguais

Abordagem empregada usualmente


Rampone (1998): abordagem híbrida envolvendo o uso de regras e de uma RN Algoritmo BRAIN (Batch Relevance-based

Artificial INtelligence) Infere fórmulas Booleanas dos exemplos (regras

disjuntivas) Regras são refinadas por uma RN Combinadas com um procedimento

discriminante estatístico


Comparou seus resultados aos do projeto StatLog RN do tipo RBF (Radial Basis Function) Classificador Bayesiano RN do tipo MLP Algoritmo C4.5, indutor de ADs Algoritmo k-NN

Verificou de forma geral maior acurácia dos modelos baseados em RNs

Rampone (1998)


Lorena et al. (2002): SVMs e ADs Melhores resultados obtidos pelas SVMs (95%

confidência) Pré-processamento visando eliminar ruídos

Levou a simplificações nos modelos induzidos SVMs: em alguns casos houve também melhora de

desempenho ADs: diminuições no tamanho das árvores induzidas

ganhos em termos de compreensibilidade

Busca por Sinal – SITs (1/6)

Identificação de sítios de início de traduçãoIdentificação de sítios de início de tradução

Dado: conjunto de seqüências de DNA (ou mRNA) de tamanho fixo

Faça: gerar classificador para identificar sítios de início de tradução (SITs) em

uma janela


Tradução não se inicia com primeira tripla de nucleotídeos do mRNA Geralmente códon AUG (metionina) Procariotos: precedendo códon inicial

seqüências Shine–DalgarnoShine–Dalgarno

Stormo et al. (1982): RN Perceptron (SITs de E. coli) Gerar MPP


A C G TA C G T A C G T

... A T C G T G C T T A C G C G C G T C C A ...

Janelas: 51, 71, 101 (melhor) Codificação canônica

Stormo et al. (1982)

. . .. . .

Busca por Sinal - SITs (4/6)

MPP obtida foi mais precisa que diversos métodos de consenso

Pesos mais significativos corresponderam àqueles conectados ao SIT e à região Shine-Dalgarno

Deficiência: Perceptron padrões linearmente separáveis

Futschik et al. (1999): redes multicamadas

Stormo et al. (1982)


Zien et al. (2000): SVMs no reconhecimento de SITs de vertebrados

Desempenho comparado ao de RNs e a um método Markoviano

Janelas de mRNA de 200 nucleotídeos

Codificação canônica (cinco bits)


Desempenho melhor das SVMs

Informações a priori Privilegiar correlações locais entre nucleotídeos Melhorou resultados

Reformulação da função Kernel considerando informações providas pela técnica estatística Melhores resultados na aplicação

Zien et al. (2000)

Busca por Sinal – Promotores (1/8)

Identificação de promotoresIdentificação de promotores

Dado: conjunto de seqüências de DNA de tamanho fixo

Faça: gerar classificador para identificar promotores em uma janela


Transcrição se inicia com RNA polimerase se ligando ao promotor

Towell et al. (1990): KBANN RNAs + regras simbólicas em promotores de E. coli

TTGACA TAATTA TAC

+1

-35 -10

RNAmRNA polimerase

Promotor procarioto

gene


Regras proposicionais para inicializar topologia e pesos de uma RN Identificavam TATAbox, TTGACA e regiões

controversas Regras falharam no reconhecimento de instâncias com

promotores

Janela: 57 nucleotídeos Promotor alinhado sete nucleotídeos à direita da janela

Codificação canônica (quatro bits)

Towell et al. (1990)


Redução no tempo de treinamento das RNs

Melhora na generalização das redes

RNs aprenderam a descartar as regras que correspondiam a regiões controversas

Indicação que não correspondiam a características relevantes



Resultados obtidos foram comparados Rede MLP AD induzida pelo algoritmo ID3 Algoritmo k-vizinhos mais próximos Técnica referenciada na literatura biológica

RNs se sobressaíram em relação à técnica biológica Eficácia de técnicas de AM

Algoritmos k-NN e ID3 foram inferiores pode ser conseqüência da dificuldade em lidar com muitos atributos



Reese e Eeckman (1995): combinação de RNs no reconhecimento de promotores vertebrados

Identificação de promotores eucariotos pode ser considerada mais custosa e complexa

Promotor eucarioto

URS UAS TATA IRN ATG

- +

Holoenzima Pol IIRNAm

gene


RNs individuais para a identificação de duas regiões TATA-box Cadeia denominada Iniciadora (IRN)

RNs foram treinadas com um procedimento de poda de conexões

Na combinação das RNs rede do tipo Time Delay Neural Network (TDNN)

Reese e Eeckman. (1995)


Janela de 51 nucleotídeos

Resultados das TDNNs foram comparados aos das RNs individuais RNs se mostraram pouco acuradas

individualmente Combinação pela TDNNs gerou ganhos

significativos Acurácia Redução da taxa de falsos positivos

Reese e Eeckman. (1995)

Busca por Conteúdo (1/3)

Reconhece genes por padrões gerais que ocorrem em regiões codificadoras

Objetivo: identificar regiões traduzidas em proteínas (janela fixa)

Procariotos: distinguir genes das regiões não-codificadoras entre eles

Eucariotos: também distinguir introns de exons


Questões: Que regiões são codificadoras Qual fase de leitura codifica proteína Open

Reading Frame (ORF) Como agrupar nucleotídeos consecutivos em triplas

... A T G C C T A A T ...

Met. Pro. Asp.

... A T G C C T A A T ...

Cis. Leu.

... A T G C C T A A T ...

Ala. Parada


Propriedades que podem ser exploradas:

Alguns aminoácidos são mais usados

Preferência de códon de um organismo

Alguns aminoácidos têm maior ‘afinidade’

Regiões codificadoras (1/8)

Identificação de regiões codificadorasIdentificação de regiões codificadoras

Dado: conjunto de seqüências de DNA de tamanho fixo

Faça: gerar classificador para identificar se uma janela é codificadora ou não

Se for codificadora, identificar sua ORF


Farber et al. (1992): Perceptron com ativação Sigmoidal para distinguir introns de exons 64 entradas: freqüência de cada codon Janelas de 5 a 90 codons

Maiores levaram em geral a melhores predições 4096 entradas: freqüência de cada dicodon

Melhores resultados


Resultados comparados a um classificador Bayesiano baseado em preferências de códons Maior precisão das RNs Resultado atribuído ao fato do classificador

Bayesiano assumir independência entre códons vizinhos

Farber et al. (1992)


Representação por dicódons melhorou a generalização Desempenho com o uso da representação de

apenas um códon foi inferior mesmo adicionando à rede uma camada intermediária

Habilidade de um sistema de aprendizado é dependente da representação dos atributos

Craven e Shavlik (1993b): resultados e discussões semelhantes

Verificação das ORFs após identificação dos exons

Farber et al. (1992)


Uberbacher e Mural (1991): reconhecimento exons e introns Módulo do servidor GRAIL Atributos de entrada: calculados por algoritmos

que avaliam 7 diferentes características da seqüência

Freqüência que cada nucleotídeo ocupa cada posição Preferências em tuplas de seis nucleotídeos

RN combinacão das informações (pesos) Janelas de 99 nucleotídeos 19 genes humanos: 90 % de precisão


Craven e Shavlik (1993a): previsão de ORFs em bactérias E. coli

Grande parte de seu genoma é codificante

Resultados comparados a métodos Bayesianos baseados em preferências de códons

RN treinada de forma a predizer a posição do códon que o nucleotídeo no centro da seqüência ocupa

Seis saídas: Posições 1, 2 e 3 na fita submetida Posições 4, 5 e 6 para a fita complementar


Diferentes formas de codificação para as entradas Nucleotídeos na forma canônica Contagem de freqüência de códons na janela Medidas similares às de Uberbacher e Mural

(1991), adaptadas para organismos procariotos Combinação das probabilidades providas pelo

método Bayesiano com as medidas adaptadas

Janelas 61 nucleotídeos

Craven e Shavlik. (1993a)


Resultados: porcentagem de janelas para as quais gerou-se uma ORF correta

Maior poder preditivo das abordagens envolvendo manipulações nos atributos Confirma que a representação das entradas da

RN tem papel crucial no desempenho

Craven e Shavlik. (1993a)

Combinação de Métodos (1/9)

Sistemas de identificação de genes não se baseiam em buscas de sinais ou de conteúdo exclusivamente

Abordagens mais promissoras: combinação das duas estratégias de busca GRAIL II GeneID GeneParser2


Alguns sistemas também utilizam buscas por similiridade para confirmar suas previsões GeneID+ GeneParser3

Estruturas gênicas identificadas são: Traduzidas em cadeias de aminoácidos Comparadas com seqüências em bases proteicas Pontuadas de acordo com sua similaridade


Técnicas de AM são empregadas em uma ou mais etapas da predição gênica

Predição da estrutura gênica é complexa e envolve a combinação de vários passos e técnicas Exemplo: sistema GRAIL II


GRAIL II: Passo 1: Geração de exons candidatos

Identificação de sítios doadores e receptores RN atribui pontuação indicando se a junção identificada

é um sítio verdadeiro Pool de exons candidatos é gerado

Restrições:Restrições: possuir fase de leitura e ser “intermediado” por um par de junções receptoras e doadoras com pontuação acima de um limiar


GRAIL II: Passo 2: Eliminação de candidatos improváveis

Série de medidas e regras heurísticas são aplicadas aos exons candidatos

Aplicação leva à eliminação de grande parte dos exons candidatos (aproximadamente 90%)


GRAIL II: Passo 3: Avaliação dos exons

Exons remanescentes são avaliados por uma RN

Pontuação

Exon

6-mer in-frame (Isochore)

6-mer in-frame (Candidato)

Composição GC do Exon

Doador

. . .

Receptor

Composição GC (Isochore)


GRAIL II: Passo 4: Geração do modelo do gene

Algoritmo de programação dinâmica é aplicado na montagem do gene

Baseado em suas pontuações Também são checadas se algumas restrições são

satisfeitas

Outros sistemas diferem nas técnicas e passos


Burset e Guigó (1996): compararam diversos sistemas para predição da estrutura de genes eucariotos Deficiências comuns:

Não há metodologia padrão na obtenção das acurácias Acurácias se mostraram menores que as reportadas Acurácia dos programas está ligada aos conjuntos de

treinamento empregados em sua geração Acurácia dos sistemas foi afetada presença de ruídos

nos dados


Burset e Guigó (1996) também apontaram que o emprego de buscas por similaridade mostra-se uma estratégia promissora

Combinação da saída de vários programas também pode trazer benefícios Todos programas predizem um mesmo exon

(quase certamente) pode ser considerado correto

Reconhecimento de Genes Marcílio C. P. de Souto DIMAp/UFRN.

Documents

Transcript of Reconhecimento de Genes Marcílio C. P. de Souto DIMAp/UFRN.