Aprenentage automàtic en bioinformática
El aprenentage automàtic en bioinformática consistix en l'aplicació d'algoritmes d'aprenentage automàtic, en entorns de bioinformática, com, per eixemple, la genómica, la proteómica, els microarrays, la biologia de sistemes, la biologia evolutiva i la mineria de texts.[2] Açò permet automatisar la busca de patrons complexos en séries de senyes, facilitant la comprensió de processos biològics tan complexos com l'estructura de les proteïnes,[3] lo que diferencia a esta disciplina dels enfocaments tradicionals de bioinformática, que requerixen supervisió i que dificulten l'aparició de patrons inesperats o amagats.[4]
Es tracta d'un camp emergent pel gran creiximent de la cantitat de conjunts de senyes biològiques disponibles, necessaris per a entrenar algoritmes en un nivell de detall alt.[5][6][7]
Funcionament
[editar | editar còdic]Els algoritmes d'aprenentage automàtic en bioinformática poden utilisar-se per a la predicció, la classificació i la selecció de característiques.[2] Els métodos per a conseguir esta tasca són variats i comprenen moltes disciplines; els més coneguts són l'aprenentage automàtic i l'estadística.[8] Les tasques de classificació i predicció tenen com a objectiu construir models que descriguen i distinguixquen classes o conceptes per a la seua futura predicció.[9] Les diferències entre elles són les següents:
- La classificació produïx una variable discreta, mentres que la predicció produïx una característica de valor numèric.
- El tipo d'algoritme o procés utilisat per a construir els models de predicció a partir de les senyes utilisant analogia, regles, rets neuronals, provabilitats i/o estadístiques.
Pel creiximent exponencial[10] de les tecnologies de l'informació i dels models aplicables, incloent l'inteligència artificial i la mineria de senyes, ademés de l'accés a conjunts de senyes cada volta més amplis, s'han creat noves i millors tècniques d'anàlisis de l'informació, basades en la seua capacitat d'aprenentage. Dits models permeten anar més allà de la descripció i proporcionen coneiximents en forma de models comprobables. Alguns dels enfocaments més usats són:
Classificació
[editar | editar còdic]En este tipo de tasques d'aprenentage automàtic, l'eixida és una variable discreta. Un eixemple d'este tipo de tasca en bioinformática és l'etiquetage de noves senyes genómicos (com a genomes de bactèries no cultivables) basat en un model de senyes ya etiquetades.[11]
Models amagats de Markov
[editar | editar còdic]Els models amagats de Markov són un tipo de models estadístics per a senyes seqüencials. Un Model de Markov està compost per dos objectes matemàtics: un procés observat depenent de l'estat , i un procés d'estat no observat o amagat. Aixina, el procés en estudi no s'observa directament, sino que es realisen observacions sobre un procés depenent del procés d'interés, i els canvis del qual servixen com una mida sorollosa dels estats del sistema d'interés.[12] Aixina, poden utilisar-se per a perfilar i convertir un alineamiento de seqüències múltiples en un sistema de puntuació específic per a cada posició, adequat per a buscar seqüències homòlogues en les bases de senyes de forma remota.[13]
Rets neuronals convolucionales
[editar | editar còdic]Les rets neuronals convolucionales són una classe de rets neuronals profundes l'arquitectura de les quals s'en una série de perceptors en vàries capes, que posteriorment es conecten entre sí. Estes rets varen ser inspirades per processos biològics[14][15][16][17] en els que el patró de conectivitat entre neurones s'assembla a l'organisació de la corfa visual animal, i utilisen relativament poc preprocesamiento en comparació a atres algoritmes. Aixina, la ret deprén a optimisar els seus filtres a través de l'aprenentage automatizado, mentres que en els algoritmes tradicionals requerixen que estos filtres siguen dissenyats a mà.
Bosc aleatori
[editar | editar còdic]Els boscs aleatoris classifiquen construint un conjunt d'arbres de decisió, i emetent la predicció mija dels arbres individuals.Erro en la cita: Element <ref> no vàlit;
les referencies sense nom deuen de tindre contingut Des del punt de vista computacional, els boscs aleatoris són atractius perque manegen de forma natural tant la regressió com la classificació, són relativament ràpits d'entrenar i predir, depenen només d'un o dos paràmetros d'ajust, tenen una estimació incorporada de l'error de generalisació, poden utilisar-se directament per a problemes d'alta dimensió i poden implementar-se fàcilment en paralel. Des del punt de vista estadístic, els boscs aleatoris són atractius per a les característiques adicionals, com les mides d'importància de les variables, la ponderació diferencial de les classes, l'imputació de valors perduts, la visualisació, la detecció de valors atípics i l'aprenentage no supervisat.[18]
Agrupamiento
[editar | editar còdic]L'agrupació (clustering) d'un conjunt de senyes en subconjunts, de modo que les senyes de cada subconjunt estiguen lo més prop possible entre sí i lo més distants possible de les senyes de qualsevol atre subconjunt, és una tècnica comuna per a l'anàlisis estadístic de senyes. El clustering és fonamental per a moltes investigacions bioinformáticas, i servix com un poderós método computacional per a analisar senyes no estructurades i d'alta dimensió en forma de seqüències, expressions, texts, imàgens, etc. El clustering també s'utilisa per a obtindre informació sobre els processos biològics a nivell genómico, per eixemple, les funcions dels gens, els processos celulars, els subtipos de cèlules, la regulació gènica i els processos metabòlics.[19] Existixen dos tipos d'algoritmes de agrupamiento, a grans traces:
- Els algoritmes jeràrquics troben grups usant grups prèviament establits, de forma aglomerativa (bottom-up, posant cada element en un grup propi, i fusionant-los successivament en uns atres més grans) o divisiva (top-down, dividint el conjunt en subgrups). Un eixemple és BIRC, que és particularment bo en bioinformática pel seu complexitat de temps casi llineal dau conjunts de senyes generalment grans.[20]
- Els algoritmes particionales determinen tots els clusters al mateix temps, puix es basen en especificar un número inicial de grups, i reasignar iterativamente els objectes entre els grups fins a la convergència; per eixemple, k-means o k-medoids.[21]
Aplicacions
[editar | editar còdic]
Genómica
[editar | editar còdic]Encara que les senyes de genómica han segut històricament escassos per la dificultat tècnica de secuenciar un fragment de ADN, en els últims anys el número de seqüències indexades en bases de senyes està creixent exponencialment.[10] No obstant, l'interpretació d'estes senyes està ocorrent a un ritme molt més llent,[22] per lo que existix una necessitat creixent de desenrollar sistemes que puguen determinar automàticament quines parts d'una seqüència de ADN donada codifiquen proteïnes i quins no: es tracta de la predicció de gen.
Esta predicció es pot realisar per mig de busca extrínseca i intrínseca:
- En la extrínseca, una seqüència de ADN es passa per una base de senyes de seqüències anotades, buscant homòlecs a gens ya existents
- En l'intrínseca, es busquen regions codificantes en la cadena "per sí mateixa", sin ayuda de agents externs.
L'aprenentage automàtic també pot usar-se per a l'alliniació de seqüències, que junta regions de semblança per a detectar una història evolutiva compartida, aixina com regions recombinantes.[23]
Metagenómica
[editar | editar còdic]La metagenómica és un camp nou d'investigació que s'ha desenrollat en l'última década, en l'objecte d'entendre la diversitat i li riquea microbiana de diferents casetes ecològiques conformats per microorganismes cultivables i no cultivables,[24] tenint aixina aplicacions en diferents camps de l'investigació mèdica, sistemes agropecuarios, estudis migambientals i de sostenibilitat, i en l'indústria.
La metagenómica és l'estudi de comunitats microbianas d'un entorn, per mig de mostres d'ADN. Esta comporta a l'extracció, clonació, seqüenciació i anàlisis del genoma d'una comunitat microbiana, lo que permet l'estudi d'una gran varietat de gens i els seus productes;[24] açò nos pot proporcionar informació taxonómica i inclús metabòlica o funcional de les comunitats estudiades.
Actualment, en l'estudi metagenómico bioinformático predominen les llimitacions i desafius en l'implementació de ferramentes d'aprenentage automàtic per la cantitat de senyes en les mostres ambientals,[25] ya que en prendre una mostra d'un ambient, esta contenen gens de tot organisme pertanyent a este entorn; açò du a l'alta dimensionalidad dels conjunts de senyes del microbioma. En vista de les llimitacions actuals en l'anàlisis metagenómico bioinformático, es requerix una exploració més profunda d'enfocaments innovadors que puguen fer front a l'alta dimensionalidad dels conjunts de senyes del microbioma. Estratègies que integren tècniques alvançades d'aprenentage automàtic podrien ser clau per a superar estos desafius i revelar patrons sotils en la composició genètica dels ambients estudiats. Un émfasis adicional deu posar-se en la reproducibilidad dels estudis metagenómicos i l'implementació d'estàndarts robusts. Açò no solament millorarà la calitat de l'investigació, sino que també facilitarà la comparació entre estudis, permetent una comprensió més completa de les comunitats microbianas en diversos entorns. L'implementació de ferramentes d'aprenentage automàtic en estudis metagenómicos podria beneficiar-se de l'integració de senyes multidisciplinario. La colaboració entre bioinformáticos, biòlecs, i experts en aprenentage automàtic pot oferir noves perspectives i solucions holísticas per a abordar la complexitat inherent de les senyes de microbiomas ambientals.
Proteómica
[editar | editar còdic]Les proteïnes són cadenes d'aminoàcits la funcionalitat dels quals depén en gran mida de la seua estructura tridimensional. Esta estructura es va "plegant" progressivament, passant des de l'estructura primària (la cadena llineal d'aminoàcits) a l'estructura secundària que prediu la terciaria, i si s'associa en atres cadenes peptídicas, la cuaternaria. Aixina, la predicció de l'estructura secundària directament des de la primària és un camp en grans aplicacions en l'àrea de la farmacodinámica, encara que es tracta d'un procés increiblement costós i que requerix molt temps, i que, fins a l'arribada de l'aprenentage automàtic, devia realisar-se manualment.[26]
Hui en dia, per mig de l'us de l'aprenentage automàtic es pot alcançar una precisió del 82-84%, usant rets neuronals artificials per a classificar regions de el ADN en funció de si codifiquen per a una hèliç alfa, làmina beta o espiral).[27] L'aprenentage automàtic també es pot usar per a la predicció de cadenes laterals, la modelació de bucles de proteïnes, i la generació de mapes de contacte.
Microarrays
[editar | editar còdic]Els microarrays són un tipo de chip de laboratori utilisat per a recopilar senyes de forma automàtica sobre grans cantitats de material biològic. Esta tecnologia permet controlar l'expressió diferencial de gens, ajudant a diagnosticar malalties com el càncer.[28] No obstant, per l'enorme cantitat de senyes recopilades, es fa necessari discernir cuales són d'interés i cuales no per al diagnòstic, per a lo que es poden usar métodos d'aprenentage automàtic tals com l'aprenentage profunt o els arbres de decisió.
Biologia de sistemes
[editar | editar còdic]La biologia de sistemes se centra en l'estudi de les interaccions complexes de components biològics simples en un sistema.[29] Per eixemple, es poden modelar rets gèniques i estructures reguladores a partir de l'expressió dels gens individuals usant models gràfics provabilistes, identificar llocs d'unió de factors de transcripció utilisant l'optimisació de cadena de Markov o identificar la sensibilitat dels gens NCR (encarregats de desnugar la citotoxicitat)[30] en rent.[31]
Mineria de texts
[editar | editar còdic]
L'aument de les publicacions científiques dificulta la busca i compilació de tota l'informació rellevant disponible sobre un tema determinat. Açò, a la seua volta, dificulta la recopilació de senyes biològiques necessària per a totes les aplicacions anteriorment mencionades.[32] El processament del llenguage natural permet extraure l'informació útil dins dels informes generats per humans en una base de senyes donada. Ademés, com les anotacions de proteïnes en les bases de senyes de proteïnes a sovint no reflectixen el conjunt de coneiximent conegut, es pot extraure informació adicional de la lliteratura biomèdica, permetent funcions com l'anotació automàtica, la determinació de la localisació subcelular d'una proteïna, l'anàlisis d'interacció de proteïnes a gran escala o la detecció i visualisació de regions que compartixen un alt grau de semblança.[33]
Referències
[editar | editar còdic]- ↑
- 2020.05.01.072751.doi:10.1101/2020.05.01.072751v1.Consultat el 2021-11-11.
- ↑ 2,0 2,1 «Machine learning in bioinformatics». academic.oup.com. Consultat el 2021-11-11.
- ↑ Briefings in Bioinformatics.
- bbw129.doi:10.1093/bib/bbw129.
- ↑ BioData Mining.10(1)
- 35.doi:10.1186/s13040-017-0155-3.
- ↑ Nature Machine Intelligence.2(1)
- 18–24.ISSN 2522-5839.doi:10.1038/s42256-019-0139-8.Consultat el 2021-11-20.
- ↑ «Introduction to Machine Learning and Bioinformatics» (en en). Routledge & CRC Press. Consultat el 2021-11-20.
- ↑ Briefings in Bioinformatics.7(1)
- 86–112.doi:10.1093/bib/bbk007.
- ↑ Journal of Computational Biology.19(5)
- 532–549.ISSN 1066-5277.doi:10.1089/cmb.2011.0197.Consultat el 2021-11-21.
- ↑ E-Reference Manual on Statistical Models for Forcasting in Agriculture.Indian Agricultural Statistics Research Institute.
- ↑ 10,0 10,1 «GenBank and WGS Statistics». www.ncbi.nlm.nih.gov. Consultat el 2021-11-19.
- ↑ “pdf Aprenentage automàtic per a metagenómica: métodos i ferramentes” . Metagenomics 1. doi:.
- ↑ IEEE ASSP Magazine.3(1)
- 4–16.ISSN 1558-1284.doi:10.1109/MASSP.1986.1165342.Consultat el 2021-11-21.
- ↑ “Profile hidden Markov models” . Bioinformatics 14 (9): 755-63. doi:. PMID 9918945.
- ↑ “Neocognitron” (2007). Scholarpedia 2 (1). doi:. Bibcode: 1717F 2007SchpJ...2. 1717F.
- ↑ “Receptive fields and functional architecture of monkey striate cortex” . The Journal of Physiology 195 (1): 215-43. doi:. PMID 4966457.
- ↑ “Neocognitron: a self organizing neural network model for a mechanism of pattern recognition unffected by shift in position” (1980). Biological Cybernetics 36 (4): 193-202. doi:. PMID 7370364.
- ↑ “Reconeiximent de l'expressió facial independent del subjecte en detecció facial robusta utilisant una ret neuronal convolucional” (2003). Neural Networks 16 (5-6): 555-9. doi:. PMID 12850007.
- ↑ Zhang, C; Ma, {{{nom2}}}. Ensemble machine learning: methods and applications, New York: Springer New York Dordrecht Heidelberg London, pp. 157-175. ISBN 978-1-4419-9325-0.
- ↑ “Deep learning-based clustering approaches for bioinformatics” . Briefings in Bioinformatics 22 (1): 393-415. doi:. PMID 32008043.
- ↑ “Variations on the Clustering Algorithm BIRCH” . Big Data Research 11: 44-53. doi:.
- ↑ “Un marc computacional per a explorar la diversitat biosintética a gran escala” . Nature Chemical Biology 16 (1): 60-68. doi:. PMID 31768033.
- ↑ Nucleic Acids Research.30(19)
- 4103–4117.ISSN 0305-1048.Consultat el 2021-11-19.
- ↑ Pratas, D. “An alignment-free method to find and visualise rearrangements between pairs of DNA sequences.”. Scientific Reports (Group Nature) 5: 10203. doi:. PMID 25984837.
- ↑ 24,0 24,1 Revista colombiana d'biotecnología.11(2)
- 4-7.
- ↑ Plantilla:Cite arxiv
- ↑ Pauling, L.. “The structure of proteins; two hydrogen-bonded helical configurations of the polypeptide chain”. Proceedings of the National Academy of Sciences of the United States of America 37 (4): 205–211. doi:. ISSN 0027-8424. PMID 14816373.
- ↑ Plantilla:Cite arxiv
- ↑ Pirooznia, Mehdi. “A comparative study of different machine learning methods on microarray gene expression data”. BMC Genomics 9 (1): S13. doi:. ISSN 1471-2164. PMID 18366602. PMC:2386055.
- ↑ «Machine Learning in Molecular Systems Biology» (en en). Frontiers. Consultat el 9 de juny de 2017.
- ↑ BMC genomics.15
- 712.ISSN 1471-2164.doi:10.1186/1471-2164-15-712.Consultat el 2021-11-20.
- ↑ BMC Proceedings.2(4)
- S1.ISSN 1753-6561.doi:10.1186/1753-6561-2-S4-S1.
- ↑ Krallinger, Martin. “Text-mining approaches in molecular biology and biomedicine”. Drug Discovery Today 10 (6): 439–445. doi:.
- ↑ Iberian Conference on Pattern Recognition and Image Analysis. Springer.
- 235–242.
- Este artícul conté una traducció derivada de «Aprendizaje automático en bioinformática» de Wikipedia en castellà publicada baix la Llicència de documentació lliure de GNU i la Llicència Creative Commons Reconeiximent-CompartirIgual 4.0 Internacional.