Anàlisis de seqüències sense alliniació
En bioinformática, els enfocaments d'anàlisis de seqüències sense alliniació (alignment-free) aplicats a senyes de seqüències i estructures moleculars oferixen una alternatives important sobre els métodos tradicionals basats en alliniació. [1]
El creiximent accelerat de l'investigació biològica en les últimes décades ha generat una enorme diversitat de senyes, lo que ha impulsat el desenroll i consolidació de la bioinformática[2] com a disciplina científica. Entre els principals tipos de senyes analisades es troben les seqüències i estructures moleculars d'ADN, ARN i proteïnes, els perfils d'expressió gènica o les senyes de microarrays, i les senyes de vies metabòliques. Entre ells, les senyes de seqüència estan aumentant a un ritme exponencial pel advenimiento de les tecnologies de seqüenciació de pròxima generació. Des de l'orige de la bioinformática, l'anàlisis de seqüències ha permaneixcut com el principal àrea d'investigació en una àmplia gama d'aplicacions en la busca en bases de senyes, l'anotació del genoma, la genómica comparativa, la filogenia molecular i la predicció de gens. Els enfocaments pioners per a l'anàlisis de seqüències es varen basar en el alineamiento de seqüències, ya siga global o local, per parells o múltiple.[3][4] Els enfocaments basats en el alineamiento generalment donen excelents resultats quan les seqüències en estudi estan estretament relacionades i es poden alinear de manera confiable, pero quan les seqüències són divergents, no es pot obtindre un alineamiento confiable i, per lo tant, les aplicacions del alineamiento de seqüències són llimitades. Una atra llimitació dels enfocaments basats en alliniació és la seua complexitat computacional i el seu elevat consum de temps, lo que llimita la seua aplicació en treballar en grans volums de senyes de seqüències.[5] L'arribada de les tecnologies de seqüenciació de nova generació ha generat una enorme cantitat de senyes de seqüenciació. El tamany d'estes senyes planteja desafius per als algoritmes basats en alliniació en el seu ensamblage, anotació i estudis comparatius.
Métodos sense alliniació
[editar | editar còdic]Els métodos alignment-free poden classificar-se, de manera general, en sis categories: a) métodos basats en la freqüència de k -mers o paraules, b) métodos basats en la llongitut de subcadena comunes, c) métodos basats en el número de coincidències de paraules (incloent paraules espayades), d) métodos basats en microalineaciones, i) métodos basats en teoria de l'informació i f) métodos basats en representacions gràfiques.
Cada una d'estes categories aborda el problema de la comparació de seqüències des de diferents perspectives computacionals i matemàtiques, permetent capturar distints tipos de patrons i relacions entre seqüències biològiques sense recórrer al alineamiento tradicional.
Els enfocaments alignment-free han segut àmpliament utilisats en la busca de similitut entre seqüències,[6] aixina com en tasques de agrupamiento (clustering) i classificació de seqüències.[7] Més recentment, també han cobrat rellevància en estudis de filogenia,[8][9] a on permeten analisar relacions evolutives de manera eficient, especialment en contexts de grans volums de senyes.
Un atre aspecte rellevant dels métodos alignment-free és la seua compatibilitat en tècniques d'anàlisis de senyes, com l'aprenentage automàtic i la mineria de senyes. En representar les seqüències biològiques per mig de vectores numèrics o descriptores estadístics, estos enfocaments permeten la seua integració en algoritmes de classificació, reducció de dimensionalidad i models predictius. Açò facilita l'identificació de patrons, l'evaluació de similituts entre seqüències i l'anàlisis de propietats biològiques en conjunts de senyes complexes. En este sentit, els métodos sense alliniació constituïxen una alternativa complementària als enfocaments tradicionals en l'anàlisis de senyes a gran escala en bioinformática.
Métodos basats en k-mer o paraules
Els métodos populars basats en les freqüències de k-mers o paraules inclouen el perfil de freqüència de característiques (FFP),[10][11] el vector de composició (CV),[12][13] la distribució del temps de tornada (RTD)[14] i la representació frecuencial del joc del cas (FCGR).[15]En l'anàlisis de seqüències sense alineamiento, les tècniques basades en k-mers es fonamenten en registrar la freqüència en la que apareixen "paraules" d'una llongitut k específica dins d'un genoma. [16][17]
La metodologia de el FFP comença calculant el reconte de cada k-mer possible en les seqüències (el número de k-mers possibles per a una seqüència de nucleòtits és: 4k, mentres que per a una seqüència de proteïnes és: 20k). A continuació, el reconte de cada k-mer en cada seqüència es normalisa dividint-ho per la suma total de tots els k-mers d'eixa seqüència. Açò permet convertir cada seqüència en el seu perfil de freqüència de característiques. Després, la distància per parells entre dos seqüències es calcula utilisant la divergència de Jensen-Shannon (JS) entre els seus respectius FFP. La matriu de distàncies obtinguda d'esta manera pot utilisar-se per a construir un arbre filogenético per mig d'algoritmes de agrupamiento, com l'unió de veïns (neighbor-joining) i UPGMA, entre uns atres. Este método és òptim per a comparar genomes complets o de gran tamany sense necessitat d'alinear-los prèviament.[18]
Vector de composició (CV)
En este método es calcula la freqüència d'aparició de cada k-mer possible en una seqüència donada. El següent pas característic d'este método és la substracció del fondo aleatori d'estes freqüències utilisant un model estocàstic de Márkov, en la finalitat de reduir l'influència de les mutacions neutres aleatòries i resaltar el paper de l'evolució selectiva. Les freqüències normalisades es coloquen en un orde fix per a formar el vector de composició (CV) d'una seqüència determinada. A continuació, s'utilisa la funció de distància del coseno per a calcular la distància per parells entre els CV de les seqüències. La matriu de distàncies obtinguda d'esta manera pot utilisar-se per a construir un arbre filogenético amprant algoritmes de agrupamiento com l'unió de veïns (neighbor-joining), UPGMA, entre uns atres. Este método pot ampliar-se recorrent a algoritmes eficients de coincidència de patrons per a incloure en el càlcul dels vectores de composició: (i) tots els k-mers per a qualsevol valor de k, (ii) totes les subcadena de qualsevol llongitut fins a un valor màxim de k establit arbitrariament, i (iii) totes les subcadena maximales, a on una subcadena és maximal si en estendre-la en qualsevol caràcter es produïx una disminució en el seu reconte d'aparicions. [19][20]
Métodos basats en la llongitut de subcadena comunes
[editar | editar còdic]Els métodos d'esta categoria utilisen les [./Https://en.wikipedia.org/wiki/Semantic_similarity similituts] i diferències entre subcadena en un parell de seqüències. Estos algoritmes han segut àmpliament utilisats en el processament de cadenes dins de l'informàtica.
Subcadena comuna promig (ACS)
[editar | editar còdic]En este enfocament, per a un parell de seqüències donat ( A i B, de llongituts n i m, respectivament), s'identifica la subcadena més llarga que comença en una posició determinada d'una seqüència (A) i que coincidix exactament en alguna subcadena en qualsevol posició de l'atra seqüència (B). D'esta forma, es calculen les llongituts de les subcadena més llargues que comencen en distintes posicions de la seqüència A i que presenten coincidències exactes en la seqüència B. Estes llongituts es promedian per a obtindre una mida MATH_0. Intuitivament, quant major siga MATH_1, major serà la similitut entre abdós seqüències. Per a tindre en conte les diferències en la llongitut de les seqüències, MATH_2 es normalisa [per eixemple, dividint-ho entre MATH_3], lo que permet obtindre una mida de similitut entre les seqüències.
Per a derivar una mida de distància, es pren l'invers de la mida de similitut i es resta un terme de correcció per a assegurar que MATH_4 serà zero. Aixina:[21]
MATH_5
Esta mida MATH_6 no és simètrica, per lo que cal calcular:
MATH_7 que dona la mida final ACS entre les dos cadenes A i B.[22][23]
La busca de subsecuencias o subcadena pot realisar-se eficientemente per mig d'arbres de sufix.[22]
Distàncies per mutació (Kr)
[editar | editar còdic]Este enfocament està estretament relacionat en el d'Subcadena comuna promig (ACS), que calcula el número de substitucions per lloc entre dos seqüències de ADN utilisant la subcadena absent més curta (denominada shustring).[24]
Métodos basats en el número de coincidències de paraules (espayades)
[editar | editar còdic]MATH_8 i MATH_9
Estos enfocaments són variants de l'estadísticaMATH_10 , que conta el número de coincidències de k-mers entre dos seqüències. Milloren l'estadísticaMATH_11 simple en tindre en conte la distribució de fondo de les seqüències comparades.[25]
MASH
[editar | editar còdic]
Est és un método extremadament ràpit que utilisa l'estratègia MinHash bottom sketch per a estimar l'índex de Jaccard dels multiconjuntos de MATH_12-mers de dos seqüències d'entrada. És dir, estima la proporció de coincidències de MATH_13-mers respecte al número total de MATH_14-mers de les seqüències. Açò pot utilisar-se, a la seua volta, per a estimar les distàncies evolutives entre les seqüències comparades, medides com el número de substitucions per posició de seqüència des de que les seqüències varen evolucionar des del seu últim ancestro comú.[26]
Slope-Tree
Este método és un enfocament d'anàlisis dissenyat específicament per a treballar en seqüències de proteïnes. El seu funcionament es basa en l'observació de cóm canvia la similitut entre dos seqüències a mida que es varia la resolució de l'anàlisis.[27]
És un algoritme que calcula un valor de distància bilógica basant-se en la taxa de decaiguda (decay) del número de coincidències de MATH_15-mers, a mida que el valor de MATH_16 aumenta, el número de coincidències exactes entre dos seqüències tendix a disminuir, la pendent (slope) d'esta decaiguda és lo que permet estimar la distància evolutiva o la similitut entre les proteïnes comparades.[27]
Slope-SpaM
Estiga método calcula el número de MATH_17 de coincidències de MATH_18-mers o de coincidències de paraules espayades (SpaM) para distints valors de llongitut de paraula o número de posicions de coincidència (MATH_19) en el patró subjacent. Utilisa la pendent d'una dunción afí-llineal MATH_20 que depén de MATH_21 per a estimar la distància de Jukes.Cantor entre les seqüències d'entrada, este método integra l'us de patrons de posicions "care" (importants), "don't care" (ignorades) per a millorar la sensibilitat de l'anàlisis.[28]
Ferramentes i software
[editar | editar còdic]El desenroll de métodos de [[anàlisis de seqüències sense alliniació]] ha impulsat la creació de diverses ferramentes computacionals dissenyades per a analisar grans volums de senyes genòmics de manera eficient. A diferència dels enfocaments tradicionals basats en [[alineamiento de seqüències]], estos programes utilisen principalment la freqüència de subcadena ([[k-mer]]s), mides estadístiques i, en alguns casos, tècniques de [[aprenentage automàtic]] per a comparar seqüències biològiques.
Entre les ferramentes més utilisades es troba '''Mash''', que ampra tècniques de sketching basades en l'algoritme MinHash per a estimar ràpidament distàncies entre [[genoma]]s complets. Este enfocament permet comparar mils de seqüències en un cost computacional reduït, lo que resulta especialment útil en l'anàlisis de grans bases de senyes genómicas.[29]
Una atra ferramenta àmpliament utilisada és '''Kraken''', orientada a la classificació taxonómica de seqüències en estudis de [[metagenómica]]. Kraken es basa en coincidències exactes de k-mers i l'us de bases de senyes precomputadas per a assignar etiquetes taxonómiques de manera ràpida i precisa.[30]
Per la seua banda, '''CVTree''' implementa el método de vectores de composició, per mig del qual les seqüències es transformen en vectores numèrics basats en la freqüència de k-mers. Este enfocament permet la construcció de [[arbre filogenético|arbres filogenético]] sense necessitat de alineamiento previ.[31]
Aixina mateix, ferramentes com '''FFP''' (Feature Frequency Profile) representen genomes per mig de perfils de freqüència de característiques, permetent la seua comparació per mig de diferents mètriques de distància. Este enfocament ha segut utilisat en estudis comparatius de gran escala.[32]
En l'àmbit de la classificació i anàlisis metagenómico, també destaca '''CLARK''', que optimisa l'us de k-mers discriminativos per a millorar la velocitat i precisió en l'assignació taxonómica.[33]
En conjunt, estes ferramentes reflectixen les principals estratègies de l'anàlisis sense alliniació, caracterisades per la seua alta [[escalabilidad]] i eficiència computacional. No obstant, el seu rendiment pot dependre de paràmetros com el tamany de k, la representació de les seqüències i la calitat de les bases de senyes de referència amprades.
Referències
[editar | editar còdic]- ↑ Bioinformatics.19(4)
- 513–523.doi:10.1093/bioinformatics/btg005.
- ↑ The Yale Journal of Biology and Medicine.85(3)
- 305–308.
- ↑ Briefings in Bioinformatics.6(1)
- 6–22.doi:10.1093/bib/6.1.6.
- ↑ Briefings in Bioinformatics.7(1)
- 113–115.doi:10.1093/bib/bbk008.
- ↑ Bioinformatics.25(19)
- 2455–2465.doi:10.1093/bioinformatics/btp452.
- ↑ Journal of Computational Biology.1(3)
- 199–215.doi:10.1089/cmb.1994.1.199.
- ↑ Genome Research.9(11)
- 1143–1155.doi:10.1101/gr.9.11.1143.
- ↑ Bioinformatics.27(11)
- 1466–1472.doi:10.1093/bioinformatics/btr176.
- ↑ Biology Direct.8doi:10.1186/1745-6150-8-3.
- ↑ Proceedings of the National Academy of Sciences of the United States of America.106(40)
- 17077–17082.ISSN 1091-6490.doi:10.1073/pnas.0909377106.Consultat el 2026-04-22.
- ↑ Proceedings of the National Academy of Sciences of the United States of America.108(20)
- 8329–8334.ISSN 1091-6490.doi:10.1073/pnas.1105168108.Consultat el 2026-04-22.
- ↑ BMC evolutionary biology.7
- 41.ISSN 1471-2148.doi:10.1186/1471-2148-7-41.Consultat el 2026-04-22.
- ↑ BMC evolutionary biology.9
- 195.ISSN 1471-2148.doi:10.1186/1471-2148-9-195.Consultat el 2026-04-22.
- ↑ Molecular Phylogenetics and Evolution.65(2)
- 510–522.ISSN 1095-9513.doi:10.1016/j.ympev.2012.07.003.Consultat el 2026-04-22.
- ↑ Frontiers in Plant Science.3
- 192.ISSN 1664-462X.doi:10.3389/fpls.2012.00192.Consultat el 2026-04-22.
- ↑ Nucleic Acids Research.45(W1)
- W554–W559.ISSN 0305-1048.doi:10.1093/nar/gkx351.Consultat el 2026-05-07.
- ↑ Annual Review of Biomedical Data Science.1(Volume 1, 2018)
- 93–114.ISSN 2574-3414.doi:10.1146/annurev-biodatasci-080917-013431.Consultat el 2026-05-07.
- ↑ Proceedings of the National Academy of Sciences.106(8)
- 2677–2682.ISSN 0027-8424.doi:10.1073/pnas.0813249106.Consultat el 2026-04-25.
- ↑ Algorithms for Molecular Biology.3(1)ISSN 1748-7188.doi:10.1186/1748-7188-3-13.Consultat el 2026-04-25.
- ↑ Journal of Biotechnology.149(3)
- 120–126.doi:10.1016/j.jbiotec.2010.05.006.Consultat el 2026-04-25.
- ↑ doi:10.1089/cmb.2006.13.336.
- ↑ 22,0 22,1 IEEE.
- 1–11.doi:10.1109/SWAT.1973.13.Consultat el 2026-05-01.
- ↑ IEEE.
- 3474–3477.doi:10.1109/IEMBS.2006.260445.Consultat el 2026-05-01.
- ↑ «Sage Journals: Discover world-class research» (en en). Sage Journals. doi:10.1089/cmb.2009.0106. Consultat el 2026-04-17.
- ↑ «Sage Journals: Discover world-class research» (en en). Sage Journals. doi:10.1089/cmb.2009.0198. Consultat el 2026-04-17.
- ↑ Genome Biology.17(1)
- 132.ISSN 1474-760X.doi:10.1186/s13059-016-0997-x.Consultat el 2026-04-17.
- ↑ 27,0 27,1 PLOS Computational Biology.12(6)
- i1004985.ISSN 1553-7358.doi:10.1371/journal.pcbi.1004985.Consultat el 2026-05-01.
- ↑ PLOS ONE.15(2)
- i0228070.ISSN 1932-6203.doi:10.1371/journal.posa.0228070.Consultat el 2026-05-01.
- ↑ Genome Biology.17(1)ISSN 1474-760X.doi:10.1186/s13059-016-0997-x.Consultat el 2026-05-02.
- ↑ Genome Biology.15(3)ISSN 1474-760X.doi:10.1186/gb-2014-15-3-r46.Consultat el 2026-05-02.
- ↑ Genomics, Proteomics & Bioinformatics.19(4)
- 662–667.ISSN 2210-3244.doi:10.1016/j.gpb.2021.03.006.Consultat el 2026-05-02.
- ↑ Proceedings of the National Academy of Sciences.106(8)
- 2677–2682.ISSN 0027-8424.doi:10.1073/pnas.0813249106.Consultat el 2026-05-02.
- ↑ BMC Genomics.16(1)ISSN 1471-2164.doi:10.1186/s12864-015-1419-2.Consultat el 2026-05-02.
- Este artícul conté una traducció derivada de «Análisis de secuencias sin alineación» de Wikipedia en castellà publicada baix la Llicència de documentació lliure de GNU i la Llicència Creative Commons Reconeiximent-CompartirIgual 4.0 Internacional.