la minería de datos en bioinformática dra. rocío romero zaliz m4m lab [email protected] dept....
TRANSCRIPT
La minería de datos en bioinformática
Dra. Rocío Romero Zaliz
M4M Lab
www.m4m.es
Dept. Ciencias de la Computación e Inteligencia Artificial,
Universidad de Granada
Bioinformática
• Necesidad de herramientas para el manejo de grandes cantidades de datos
– Automatización de procesos– Herramientas de búsqueda en grandes bases de
datos– Búsqueda de información oculta en los repositorios– Herramientas de predicción y simulación
Automatización de procesos• Open Bioinformatics Foundation• Open Source• Ayuda a la programación open source en
bioinformática:– Servidores– CVS– Reuniones y conferencias
Open Bioinformatics Foundation
• BioPerl (http://www.bioperl.org)
• BioPython (http://www.biopython.org)
• BioJava (http://www.biojava.org)
• BioSQL (http://www.biosql.org)
• Etc… (http://www.open-bio.org)
Búsqueda de información oculta en repositorios de datos• Inteligencia Artificial (AI)• Minería de Datos (DM)• Minería de Textos (TM)• Descubrimiento de
información (KD)• Aprendizaje Automático (ML)
Inteligencia Artificial
• Automatizar tareas que requieran un comportamiento inteligente:– Control– Planificación y organización– Escritura manual– Lenguaje natural– Reconocimiento del habla– Reconocimiento de caras
Aprendizaje automático
• Desarrollo de técnicas y algoritmos que permitan a los ordenadores “aprender”– Teoría de juegos– Análisis de mercados– Detección de fraudes en
tarjetas de crédito– Motores de búsqueda– Bioinformática
Aprendizaje automático
• Aprendizaje supervisado• Aprendizaje no supervisado• Aprendizaje semi-supervisado• Aprendizaje por refuerzo
Minería de datos
• “Proceso de búsqueda de patrones automático en grandes volúmenes de datos”
• Clasificación• Reglas de asociación• Agrupamiento de datos• Estadística
Minería de textos
• Text data mining– “proceso de adquirir
información de calidad a partir de un texto”
• Objetivos– Categorización de texto– Agrupamiento de textos– Extracción de conceptos– Sumarización de
documentos
Agrupamiento de datos
Agrupamiento de datos
• El agrupamiento de datos o data clustering consiste en la clasificación de objetos similares en diferentes grupos.
• Más precisamente, consiste en particionar un conjunto de datos en subconjuntos o clusters de tal manera que estos tengan “algo en común”. – Proximidad– Similitud
• Aprendizaje no supervisado
Tipos de clustering
• Particionales
• Jerárquicos– Aglomerativos– Divisibles
Clustering particional
Clustering jerárquico
Aglomerativo Divisible
Objetivo
• Minimizar la distancia intracluster
• Maximizar la distancia entre clusters
Propiedades de los clusters
• Numéricos vs. Categóricos
Propiedades de los clusters
• Disjuntos vs. No disjuntos
Propiedades de los clusters
• Completos vs. Incompletos
Formas de los clusters
K-means
• Particional
• Distancia euclídea
• Necesita el valor de k (#clusters)
• Búsqueda de prototipos
• Sensible a outliers
K-means
• Ubicar k (2) puntos en el espacio representado por los objetos a ser agrupados. Estos k puntos son los centroides iniciales de cada grupo
K-means
• Asignar cada objeto al grupo que esté más cercano a su centroide
K-means
• Recalcular la posición de los k centroides
• Repetir pasos 2 y 3 hasta que los prototipos ya no varíen
K-means
De esta manera se minimiza la distancia intracluster según la metrica dada
K-means
http://home.dei.polimi.it/matteucc/Clustering/tutorial_html/AppletKM.html
Single-linkage
• Jerárquico
• Aglomerativo
• Si hay un error en algún paso no se puede volver atrás …
Single-linkage
• Dado un conjunto de N (5) elementos a ser agrupado y una matriz de distancia (o similitud) de N x N:
d 1 2 3 4 5
1 0 5 6 10 13
2 5 0 1 5 8
3 6 1 0 4 7
4 10 5 4 0 3
5 13 8 7 3 0
Single-linkage
• Comenzar por asignar cada item a un cluster.• Tenemos 5 clusters• Sean las distancias entre los clusters las mismas que
entre los elementos de cada cluster
d 1 2 3 4 5
1 0 5 6 10 13
2 5 0 1 5 8
3 6 1 0 4 7
4 10 5 4 0 3
5 13 8 7 3 0
Single-linkage
• Encontrar el par más cercano de clusters y unirlo en un único cluster.
• Tenemos 4 clusters
d 1 2 3 4 5
1 0 5 6 10 13
2 5 0 1 5 8
3 6 1 0 4 7
4 10 5 4 0 3
5 13 8 7 3 0
Single-linkage
• Calcular las distancias entre el nuevo cluster y los viejos clusters
d 1 2-3 4 5
1 0 5,5 10 13
2-3 5,5 0 4,5 8,5
4 10 4,5 0 3
5 13 8,5 3 0
d 1 2 3 4 5
1 0 5 6 10 13
2 5 0 1 5 8
3 6 1 0 4 7
4 10 5 4 0 3
5 13 8 7 3 0
Single-linkage
• Repetir los pasos 2 y 3 hasta que todos los elementos se encuentren en el mismo cluster de tamaño N
Single-linkage
Microarrays
Microarray
Fabricación
Fuentes de errores técnicos• Variación entre spots replicados en el mismo
slide.• Variación entre spots replicados en distintos
slides.• Variación introducida por rayones o polvo.• Variación introducida por eliminación del
background.• Variación introducida a tomar las muestras de
tejidos. • Variación introducida por la extracción del RNA.
Fuentes de errores sistemáticos
• Por utilizando dyes diferentes.• Por problemas en el print tip.
Dye swap
• Solo para el caso de microarrays de dos canales.• Hay un sesgo al hibridar con un dye o con otro.• Se hace todo por duplicado:
– Array 1: A vs. B– Array 2: B vs. A
• Luego se promedio los valores obtenidos y se normalizan.
Diseño de experimentos
• ¿Cuántas replicas biológicas son necesarias?• ¿Cuántas réplicas técnicas son necesarias?
• Balance entre costo, equipamiento, precisión, etc.• Es necesario mantener las condiciones de entorno
para los diferentes microarrays para evitar introducir sesgos.
• Es necesario mantener una cantidad suficiente de referencia común entre los distintos experimentos.
Referencia universal
Análisis de la imagen
• Balance de color.
• Fondo.
• Polvo y rayaduras.
BIEN MAL
Malas imágenes
Detección de spots
SRG Fixed Circle
Normalización
• ¿Por qué?– Para corregir las diferencias entre muestras en el
mismo microarray o entre diferentes microarrays que no corresponden a variaciones biológicas.
• ¿Como sabemos si es necesario?– Examinado spots de control, donde se sabe que no
hay expresión diferenciada.
Expresión diferenciada
• Intentamos detectar genes que son diferencialmente regulados entre tratamiento y control.
• Algunos estudios intentan además identificar un grupo de genes que funcionan en forma conjunta.
• Los microarray son en realidad un guía para futuros estudios más precisos, como ser RT-PCR.
Expresión diferenciada
• El análisis es heurístico.
• Proveer una lista ordenada de candidatos a futuros estudios.
Test de hipótesis
• ¿Hay una diferencia significativa entre las dos distribuciones?
Agrupamiento de datosbasado en Ontologías
Aplicación: respuesta inflamatoria
• Respuesta inflamatoria de seres humanos al aplicarles una endotoxina en forma intravenosa, en comparacion con un grupo de control al cual se le inyecta un placebo
• Sangre de los ocho pacientes tratados, cuatro con la endotoxina (pacientes 1-4) y cuatro con el placebo (pacientes 5-8)
• Datos extraídos en diferentes instantes de tiempo, a 0, 2, 4, 6, 9 y 24 horas, y se han procesado utilizando GeneChips ® y HG-U133A v2.0 de Aymetrix Inc ®
Microarrays
Ontologías• El término ontología hace referencia al intento de
formular un exhaustivo y riguroso esquema conceptual dentro de un dominio dado.
• Definición de entidades relevantes y sus relaciones dentro del dominio.
• Finalidad de facilitar la comunicación y la compartición de la información entre diferentes sistemas.
Ontologías• Open Biomedical Ontologies
• Vocabularios controlados bien estructurados
• Para uso compartido entre diferentes dominios médicos y biológicos
Gene Ontology• Ontología de genes
• PB – FM – CC
• Relaciones “es_un” y “es_parte_de”
• Grafo dirigido acíclico
Gene Ontology (GO)• El proyecto de Gene Ontology (GO) busca crear
descripciones consistentes de productos de genes provenientes de diferentes bases de datos
• Se han desarrollado 3 ontologías (vocabularios controlados y estructurados):– Procesos biológicos– Funciones moleculares– Componentes celulares
• El uso de términos GO en diferentes bases de datos uniformiza las búsquedas en ellas
• Diferentes niveles
Gene Ontology (GO)
• 3 ontologías• 2 clases de relaciones
Gene Ontology (GO)
• Biological Process– GO:0006446
• Molecular Function– GO:0003723– GO:0003742
• Cellular Component– GO:0016281
Gene Ontology (GO)
• Diferentes relaciones• Un nodo puede tener
más de un padre• Diferentes niveles de
especificidad• Un nodo puede
encontrares en diferentes niveles al mismo tiempo
Clustering Conceptual
EMO-CC
• Clustering Conceptual• Algoritmos Evolutivos MultiObjetivo
• Aplicaciones:– Análisis de microarrays– Redes regulatorias– Moléculas
EMO-CC: Aprendizaje
EMO-CC: Objetivos
• Sensitividad
• Especificidad
EMO-CC: Aprendizaje
EMO-CC: Modelos
EMO-CC: Predicción
Web server
Web server
Preguntas…
http://www.m4m.es