1 / 20

Universidade de São Paulo Programa de Pós-Graduação Interunidades Bioengenharia – EESC/FMRP/IQSC

CAPES. Universidade de São Paulo Programa de Pós-Graduação Interunidades Bioengenharia – EESC/FMRP/IQSC. COMPUTAÇÃO INTELIGENTE NO ESTUDO DE VARIANTES DE HEMOGLOBINA. Sousa 1 , T.H.S.;Delbem 2 , A.C.B.; Policastro 2 , A.C.; Garrat, 4 R. C.

sirvat
Télécharger la présentation

Universidade de São Paulo Programa de Pós-Graduação Interunidades Bioengenharia – EESC/FMRP/IQSC

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. CAPES Universidade de São PauloPrograma de Pós-Graduação Interunidades Bioengenharia – EESC/FMRP/IQSC COMPUTAÇÃO INTELIGENTE NO ESTUDO DE VARIANTES DE HEMOGLOBINA Sousa1, T.H.S.;Delbem2, A.C.B.; Policastro2, A.C.; Garrat, 4R. C. 1Bioengenharia-São Carlos-USP; 2ICMC-São Carlos-USP, 4IFSC- São Carlos - USP

  2. ___________________________________________________________SUMÁRIO___________________________________________________________SUMÁRIO sumário • Motivação • Introdução • Objetivo • Materiais e Métodos • Resultados • Conclusão

  3. _________________________________________________________MOTIVAÇÃO_________________________________________________________MOTIVAÇÃO Evolução in vitro • Método laboratorial para a evolução de moléculas por meio de mutações. Obtenção de propriedades desejadas.Evolução de proteínas in vitro. descobrimento de novas drogas. cura de muitas doenças de origem genética. • Técnica de alto custorequer longo período de tempo.

  4. ______________________________________________________INTRODUÇÃO______________________________________________________INTRODUÇÃO PROTEÍNAS • macromoléculas direta ou indiretamente responsáveis pelo desempenho de praticamente todas as funções metabólicas, estruturais, imunológicas e reprodutivas nos organismos vivos. • Componentes fundamentais de todos os seres vivos. • Moléculas orgânicas mais abundantes das células. LEHNINGER, 1976

  5. ______________________________________________________INTRODUÇÃO______________________________________________________INTRODUÇÃO PROTEÍNAS Principais elementos: C, H, N , O e S. Elementos adicionais: P, Fe, Zn e Cu. Elementos liberados por hidrólise: Aminoácidos ou -aminoácidos Algumas de suas principais funções: • Catálize enzimática; • Transporte e armazenamento; • Sustentação mecânica; • Proteção imunitária e outras.

  6. ______________________________________________________INTRODUÇÃO______________________________________________________INTRODUÇÃO Conformação das proteínas Proteínas fibrosas Proteína Globulares

  7. ______________________________________________________INTRODUÇÃO______________________________________________________INTRODUÇÃO AMINOÁCIDOS • 20 aminoácidos são encontrados nas proteínas (padrão) • Classificados Grupamentos R Polaridade:Hidrofóbicos, Hidrofílicos, Básicos e Ácidos

  8. ______________________________________________________INTRODUÇÃO______________________________________________________INTRODUÇÃO HEMOGLOBINA • Proteínas, contidas nas hemácias, responsáveis pelo transporte de O2 , CO2, e íons de H+ . • A Hb contém 2 cadeias  (141 a.a) e 2 cadeias  (146 a.a) liga-se a cada cadeia um grupo heme

  9. ________________________________________________________INTRODUÇÃO________________________________________________________INTRODUÇÃO HEMOGLOBINA Desoxihemoglobina Estado T Oxiemoglobina Estado R

  10. ________________________________________________________INTRODUÇÃO________________________________________________________INTRODUÇÃO Aprendizado de Máquina AM é uma área de pesquisa computacional  objetivo é desenvolvimento de sistemas computacionais capazes de aprenderem e adquirirem conhecimento de forma automática. Algoritmos de Aprendizado: Programa computacional capaz de tomar decisões baseadas em soluções de problemas anteriores. Exemplos de técnicas de AM: Redes Neurais, SVM, técnica de Árvores de Decisão e Algoritmos Genéticos.

  11. ______________________________________________________OBJETIVO______________________________________________________OBJETIVO OBJETIVO • Propomos neste trabalho investigar técnicas computacionais inteligentes capazes de determinar a funcionalidade de proteínas mutantes a partir das seqüências de aminoácidos e classificar de maneira correta as mutações da proteína hemoglobina para em seguida predizer as características de uma nova mutação.

  12. ________________________________________________MATERIAIS E MÉTODOS Foram realizados dois estudos: 1) Proteínas (Hemoglobinas - Hb). • Foram utilizadas as cadeias alfa e beta da proteína HB  Com 141 e 146 aminoácidos respectivamente. • Um cojunto de dados de proteínas disponíveis em: http://us.expasy.org e http://globin.cse.psu.edu. • adquiridas estruturas primárias da Hb (mutantes) associadas ou não a uma patologia com suas respectivas classificações seqüência original da proteína estudada.

  13. ________________________________________________MATERIAIS E MÉTODOS 2) Técnicas computacionais inteligentes. • A técnica computacional (AM) Algoritmos C 4.5, Algoritmo SMO, Random Forest, Kstar e FLRpara a verificação da funcionalidade de hemoglobinas. • Programa Weka (Waikato Environment Knowledge Analysis) versão 3.2, composto por um conjunto de algoritmos de AM implementados em Java, disponível no site http://www.cs.waikato.ac.nz/ml/weka/ index.htm.

  14. ________________________________________________MATERIAIS E MÉTODOS METODOLOGIA • Os experimentos seguiram a metodologia 10-fold-cross-validation. • As seqüências foram aleatoriamente separadas em 10 grupos de tamanhos aproximadamente iguais Um grupo foi utilizado como conjunto de novas seqüências apresentadas ao sistema para o aprendizado 9 grupos restantes foram utilizados como seqüências de treinamento dos demais algoritmos. • Após cada treinamento utilizando os 9 grupos, o grupo de teste foi apresentado ao sistema e a média dos erros foi calculada esse processo foi repetido para os 9 grupos restantes.

  15. ________________________________________________________RESULTADOS________________________________________________________RESULTADOS RESULTADOS Testes realizados  AM e AG • ATabela 1 apresenta os resultados dos testes que foram realizados com a cadeia alfa da proteína Hemoglobina seqüências mutantes de indivíduos heterozigotos ambientes químicos. • A Tabela 2 apresenta os resultados dos testes que foram realizados com a cadeia beta da proteína Hemoglobina seqüências mutantes de indivíduos heterozigotos ambientes químicos.

  16. ________________________________________________________RESULTADOS________________________________________________________RESULTADOS Algoritmo Algoritmo Erro Médio Erro Médio Boas Boas Ruins Ruins Total Total C 4.5 C 4.5 36.2% 17.9% 88 114 25 50 139 138 SVM SVM 29.7% 18.7% Random Forest Random Forest 33.3% 17.9% Kstar Kstar 26.8% 19.4% FLR FLR 23.7% 31.8% Tabela 1-Erro médio para os indivíduos Heterozigotos da cadeia alfa Tabela 2-Erro médio para os indivíduos Heterozigotos da cadeia beta

  17. ________________________________________________________RESULTADOS________________________________________________________RESULTADOS RESULTADOS • A Tabela 3 apresenta os testes que foram realizados com a cadeia beta da proteína Hemoglobina com o Algoritmo Genético  Filtro objetivo era selecionar ainda mais as entradas para os classificadores. • ATabela 4 apresenta os resultados dos testes realizados com a cadeia beta da proteína HemoglobinaAlgoritmo Genético.

  18. Algoritmo Algoritmo Erro Médio Erro Médio Boas Boas Ruins Ruins Total Total ________________________________________________________RESULTADOS C 4.5 C 4.5 3.6% 197 186 383 SVM SVM 2.1% 197 186 Tabela 3-Algoritmos Genéticos/ Cadeia Beta/ Filtro 383 Tabela 4- Algoritmos Genéticos/ Cadeia Beta 1.8 % 197 186 383 197 186 383 1.6 %

  19. __________________________________________________________ CONCLUSÃO CONCLUSÃO • Os testes realizados com os algoritmos escolhidos apresentaram um resultado esperado quando se utilizam técnicas de aprendizado que requerem bancos de dados numerosos. • A utilização de técnicas de aprendizado de máquina, por exemplo, o C 4.5, permite a construção de árvores de decisões que podem revelar a lógica de como é determinada a função de proteínas.

  20. __________________________________________________________ CONCLUSÃO CONCLUSÃO • Como apresentado nos resultados experimentais o uso do Algoritmo Genético permitiu que se alcançassem resultados bastante significativos. • Como etapa futura a ser investigada está a criação de um software capaz de predizer futuras mutações da proteína estudada, a partir dos conhecimentos adquiridos.

More Related