Reconhecimento de Genes

1
Reconhecimento de Genes

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

2
Reconhecimento de genes (1/2)

• Análise em laboratório difícil e cara
• Alternativa uso de técnicas computacionais
• Variação, complexidade e natureza ainda
  desconhecida dos genes
• Dificuldade de codificar algoritmos específicos

Aprendizado de Máquina gera descrições próprias
dos conceitos genéticos
3
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

4
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

5
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

6
Busca por Sinal (3/4)

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

• Tamanho da janela

• Instâncias alinhadas

7
Busca por Sinal (4/4)

• Problemas
• Identificação de sítios de início de tradução
• Identificação de promotores
• Identificação de sítios de splicing

8
Busca por Sinal Splicing (1/8)

• Identificação 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

9
Busca por Sinal Splicing (2/8)

• Eucariotos
• Nomenclatura bordas
• Exon/intron doadoras (GT)
• Intron/exon receptoras (AG)
• Importância necessário demarcar precisamente
• segmentos de DNA traduzidos

10
Busca por Sinal Splicing (3/8)

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

Entrada Cadeia de nucleotídeos
Regiões Doadoras
Posição 8 ?
C
A
G
T
Posição 9 ?
Positivo
Posição 3 ?
Negativo
C
A
C
G
T
A
G
T
Negativo
Negativo
Positivo
Negativo
Positivo
Negativo
Negativo
11
Busca por Sinal Splicing (4/8)
Lapedes et al. (1989)

• Instâncias alinhadas segundo AG/GT
• Inclusive negativas
• RNs melhor 91 precisão receptoras e 95
  doadoras
• ADs regras interpretáveis biologicamente

12
Busca por Sinal Splicing (5/8)

• 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

13
Busca por Sinal Splicing (6/8)

• 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

14
Busca por Sinal Splicing (7/8)
Rampone (1998)

• 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

15
Busca por Sinal Splicing (8/8)

• 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

16
Busca por Sinal SITs (1/6)

• Identificação 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

17
Busca por Sinal SITs (2/6)

• Tradução não se inicia com primeira tripla de
  nucleotídeos do mRNA
• Geralmente códon AUG (metionina)
• Procariotos precedendo códon inicial ?
  seqüências ShineDalgarno
• Stormo et al. (1982) RN Perceptron (SITs de E.
  coli)
• Gerar MPP

18
Busca por Sinal SITs (3/6)
Stormo et al. (1982)

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

. . .
. . .
... A T C G T G C T T A C
G C G C G T C C A ...
19
Busca por Sinal - SITs (4/6)
Stormo et al. (1982)

• 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

20
Busca por Sinal SITs (5/6)

• 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)

21
Busca por Sinal SITs (6/6)
Zien et al. (2000)

• 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

22
Busca por Sinal Promotores (1/8)

• Identificação de promotores
• Dado conjunto de seqüências de DNA de tamanho
  fixo
• Faça gerar classificador para identificar
  promoto- res em uma janela

23
Busca por Sinal Promotores (2/8)

• Transcrição se inicia com RNA polimerase se
  ligando ao promotor
• Towell et al. (1990) KBANN ? RNAs regras
• simbólicas em promotores de E. coli

24
Busca por Sinal Promotores (3/8)
Towell et al. (1990)

• 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)

25
Busca por Sinal Promotores (4/8)
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

26
Busca por Sinal Promotores (5/8)
Towell et al. (1990)

• 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

27
Busca por Sinal Promotores (6/8)

• Reese e Eeckman (1995) combinação de RNs no
  reconhecimento de promotores vertebrados
• Identificação de promotores eucariotos pode ser
  considerada mais custosa e complexa

28
Busca por Sinal Promotores (7/8)
Reese e Eeckman. (1995)

• 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)

29
Busca por Sinal Promotores (8/8)
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

30
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

31
Busca por Conteúdo (2/3)

• Questões
• Que regiões são codificadoras
• Qual fase de leitura codifica proteína ? Open
  Reading Frame (ORF)
• Como agrupar nucleotídeos consecutivos em triplas

32
Busca por Conteúdo (3/3)

• Propriedades que podem ser exploradas
• Alguns aminoácidos são mais usados
• Preferência de códon de um organismo
• Alguns aminoácidos têm maior afinidade

33
Regiões codificadoras (1/8)

• Identificação de regiões codificadoras
• Dado conjunto de seqüências de DNA de tama-
  nho fixo
• Faça gerar classificador para identificar se
  uma janela é codificadora ou não
• Se for codificadora, identificar sua ORF

34
Regiões codificadoras (2/8)

• 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

35
Regiões codificadoras (3/8)
Farber et al. (1992)

• 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

36
Regiões codificadoras (4/8)
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

37
Regiões codificadoras (5/8)

• 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

38
Regiões codificadoras (6/8)

• 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

39
Regiões codificadoras (7/8)
Craven e Shavlik. (1993a)

• 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

40
Regiões codificadoras (8/8)
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

41
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

42
Combinação de Métodos (2/9)

• 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

43
Combinação de Métodos (3/9)

• 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

44
Combinação de Métodos (4/9)

• 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 possuir fase de leitura e ser
  intermediado por um par de junções receptoras e
  doadoras com pontuação acima de um limiar

45
Combinação de Métodos (5/9)

• 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)

46
Combinação de Métodos (6/9)

• GRAIL II
• Passo 3 Avaliação dos exons
• Exons remanescentes são avaliados por uma RN

6-mer in-frame (Isochore)
6-mer in-frame (Candidato)
Composição GC (Isochore)
Pontuação Exon
Composição GC do Exon
. . .
Doador
Receptor
47
Combinação de Métodos (7/9)

• 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

48
Combinação de Métodos (8/9)

• 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

49
Combinação de Métodos (9/9)

• 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