Modelos de redes bayesianas en el estudio de secuencias genómicas y otros problemas biomédicos

SÍNTESIS Este trabajo está relacionado con problemas de análisis de regiones genómicas codificantes para proteínas utilizando un tipo de modelo gráfico-probabilístico: las redes bayesianas. Las posibilidades del uso de las redes bayesianas se fortalece si se realiza el aprendizaje de las mejores estructuras y parámetros. En el trabajo se presentan tres nuevos algoritmos para el aprendizaje estructural desde datos. Dos de estos algoritmos obtienen la estructura de dependencias basándose en la detección de interacciones al estilo del algoritmo CHAID (Chi-square Automatic Interaction Detector). El tercero de estos algoritmos se basa en un método de optimización bioinspirado, concretamente la optimización basada en enjambres de partículas (Particle Swarm Optimization, PSO) para contribuir a la reducción de atributos. En la validación de estos algoritmos se han utilizado 18 archivos de datos del repositorio de aprendizaje automatizado, así como otros enfoques alternativos para el aprendizaje de la estructura de redes bayesianas, reportados anteriormente; cuyos resultados demuestran la validez de los modelos propuestos. Además se desarrollaron tres aplicaciones que responden a problemas reales de distintas áreas. Los dos primeros problemas pertenecen al área de la Bioinformática, la primera aplicación es sobre la predicción de interacciones de proteínas y la segunda sobre predicción de sitios de splicing en regiones genómicas codificantes para proteínas. Para concluir se presenta una aplicación sobre un tema médico bien conocido: el diagnóstico de la hipertensión arterial.

ABSTRACT The current thesis is concerned with the analysis of coding regions for proteins by using a type of graph-probabilistic model: Bayesian networks. The capabilities of the Bayesian networks are significantly enhanced as long as the best structures and parameters are properly learned. This study puts forward three new algorithms for structural learning from data. Two of them become cognizant about the dependency structure owing to the detection of the interactions like in the CHAID (Chi-square Automatic Interaction Detection) algorithm. The third one of these approaches is anchored on a bio-inspired optimization method, i.e. the optimization driven by swarms of particles (Particle Swarm Optimization, PSO) to help reduce attributes. Eighteen widely used data repositories from University of California at Irvine have been employed in the validation of the aforementioned algorithms, besides considering other alternative models previously reported in literature. The results attained demonstrate the feasibility of the proposed methods. In addition, three applications that respond to real problems in different fields were developed. The first two problems lie under the umbrella of bioinformatics; the former is concerned with the prediction of protein interactions whereas the latter has to do with splicing sites forecasting. Last but not least, an application addressing the well-known problem of hypertension diagnosis is introduced.

Acrónimos UCLV: Universidad Central “Marta Abreu” de Las Villas

CEI: Centro de Estudios de Informática INIVIT: Instituto de Investigaciones de Viandas Tropicales

IA: Inteligencia Artificial, del inglés Artificial Intelligence

IBP: Instituto de Biotecnología de las Plantas RB: Redes Bayesianas, del inglés Bayesian Networks

ADN: Ácido Desoxirribonucleico

ARN: Ácido Ribonucleico ML: Aprendizaje automático o computarizado, del inglés Machine Learning

GDA: Grafo Dirigido Acíclico, del inglés Directed Acyclic Graph BLAST: Herramienta de búsqueda de regiones similares entre secuencias biológicas, del inglés Basic Local Alignment Search Tool FASTA: Sistema para comparar nucleótidos o proteínas, del inglés FAST-All CHAID: Detector automático de interacciones Chi-cuadrado, del inglés Chi-square Automatic Interaction Detector PSO: optimización basada en enjambres de partículas, del inglés Particle Swarm Optimization Weka: plataforma de aprendizaje automatizado, implementada en Java por la Universidad de Waikato en Nueva Zelanda, del inglés Waikato Environment for Knowledge Analysis

HTA: HiperTensión Arterial DPC: Distribución de Probabilidad Conjunta

IMC: Información Mutua Condicional AIC: Criterio de Información de Akaike, del inglés Akaike Information Criterion

MDL: longitud de descripción mínima, del inglés Minimal Description Length

Acrónimos MNB: Modelo Naïve Bayes o MBN: Modelo Bayesiano Naïve o CNB: Clasificador Naïve Bayes TAN: Naïve Bayes aumentado a árbol, del inglés Tree Augmented Naïve Bayes kDB: clasificador bayesiano con k dependencias, del inglés k Dependence Bayesian classifier PC: Constructor eficiente, del inglés Power Constructor

VP: verdaderos positivos, del inglés true positive (TP)

rVP: razón de VP, del inglés true positive rate

FP: falsos positivos, del inglés false positive (FP)

rFP: razón de FP, del inglés false positive rate VN: verdaderos negativos, del inglés true negative (TN)

rVN: razón de VN, del inglés true negative rate

FN: falsos negativos, del inglés false negative (FN)

rFN: razón de FN, del inglés false negative rate ROC: Curva de operación del receptor, del inglés Receiving Operation Curve

UCI: Universidad de California Irvine UCIML: Bases de datos del repositorio de aprendizaje automático, del inglés UCI Repository of Machine-Learning Databases EDAs: algoritmos de estimación de distribuciones, del inglés Estimation of distribution algorithms GO: genes ontólogos, del ingles Gene Ontology AUC: áre