gramaticas para el analisis de secuencias biologicas
TRANSCRIPT
GRAMATICAS PARA EL GRAMATICAS PARA EL ANALISIS DE SECUENCIAS ANALISIS DE SECUENCIAS
BIOLOGICASBIOLOGICAS
Secuencias y estructuras
• Los algoritmos de análisis de secuencias tratan al DNA, RNA y a las proteínas como strings de nucleótidos o aminoácidos
• La mayoría de estos algoritmos asume strings de elementos sin relación, donde el valor de un residuo en una posición no tiene efecto sobre el valor de otro residuo.
Esta suposición se rompe dramáticamente para el RNA!
• La estructura secundaria del RNA pone constrains sobre la secuencia del RNA.
tRNA en acción!
Se deben adoptar nuevos modelos que consideren las
correlaciones a larga distancia entre pares de
residuos
GRAMATICASErase una vez un lenguaje...
Gramáticas transformacionales
• Una gramática caracteriza un lenguaje
• Una gramática consiste de:– N: Un conjunto de símbolos no terminales– V: Un conjunto de símbolos terminales
(son los que realmente aparecen en el string)
– S: Un símbolo no terminal de start S– P: Un conjunto de producciones
Una gramática para codones stop
• Lenguaje: UAA, UAG, UGA
• N: {s, c1, c2, c3, c4}
• S: s
• V: {A, C, G, U}
• P: s c1 c1 Uc2 c2 Ac3 c3 A
c2 Gc4 c3 G
c4 A
Árbol de parsing para UAG
Gramáticas probabilísticas
Jerarquía de Chomsky
Gramáticas regulares uXv uX
Gramáticas libres de contexto u
Gramáticas sensitivas al contexto 1 u 2 1 2
Gramáticas irrestrictas 1 u 2
donde u y v son no terminales, X es un terminal, y son cualquier secuencia de terminales / no terminales, excluyendo el string nulo, y es cualquier secuencia de terminales / no terminales
Gramaticas y parsers
Máquina de TuringGramática irrestricta
Automata linealmente acotadoGramática sensitiva al contexto
Automata de pilaGramática libre de contexto
Automata de estados finitosGramática Regular
Automata de parsingGramática
De las gramáticas regulares a las gramáticas libres de
contexto
RNA: palindromos complementarios
Lo que necesitamos modelar para nuestro problema del RNA
es la simetría, como un palíndromo
Extensión
• Para cubrir estas interacciones a larga distancia necesitamos hacer una extensión a nuestras reglas de escritura:
• Gramáticas regulares{NoTerminal} {Terminal}{NoTerminal} {Terminal}
• Gramáticas libres de contexto{NoTerminal} string de simbolos
Principal ventaja
• Las gramaticas regulares generan strings de izquierda a derecha, las gramaticas libres de contexto pueden generar strings de afuera hacia adentro.
• Veamos: S aSa bSb bb aa .. (Context
Free)
Versus: S aS bS b a (Regular)
CFG y RNA• Aca vemos una gramatica context free que puede
generar un stem de 3 bases, y un loop de GAAA o GCAA
De las gramáticas libres de contexto a las gramáticas
sensitivas al contexto
Pseudoknots
• Las gramaticas sensitivas al contexto permiten modelar lenguajes Copy, que son los que se presentan en los pseudoknots.
Problema
No se conocen algoritmos generales en tiempo polinomial
para
parsear gramaticas sensitivas al contexto
Tres problemas basicos• Scoring: Cuan probable es una secuencia
dado un SCFG parametrizado?Algoritmo Inside
• Training: Dada un conjunto de secuencias, como estimamos los parametros de un SCFG?Algoritmo Inside Outside
• Alineamiento: Cual es el parsing mas probable de una secuencia a un SCFG parametrizado?Algoritmo CYK
• α (i,j,v): la probabilidad suma de todos los subtrees de parsing de raiz v para la subsecuencia de i a j
Determinando la probabilidad de una secuencia: El Algoritmo Inside
El algoritmo Inside
El algoritmo Inside
• Inicializacion: (i,i,v) = ev (xi )
• Iteracion
• Terminacion: Pr(x) = (1,L,1)
El algoritmo Outside: (i,j,v)
Algoritmo CYK
• Dada una secuencia X encontrar el parsing mas probable.
• A la probabilidad del parsing mas probable del substring Xi...Xj con raiz en V la llamamos (i,j,V).
• Empezamos con (i,i,V) = log P(VXi)• Para todo j > i, buscamos todas las
producciones VYZ y nos quedamos con la de maxima probabilidad.
Algoritmo CYK (i,i,V) = log P(VXi), no terminal V, 1iNfor i=1 to N-1 for j=i+1 to N no terminal V
(i,j,V) = maxx maxy maxikj [log P(VXY)+ (i,k,X)+ (k+1,j,Y)];
endforendforreturn (1,N,S)
Recordamos las elecciones hechas en CYK en cada paso para reconstruir el
parser optimo!
Veamos una aplicación de la gramatica a la
estructura secundaria del RNA
.
Algoritmo Nussinov
• Dada: Una secuencia RNA• Objetivo: Encontrar la estructura secundaria que
maximice el numero de apareamiento de bases• Algoritmo recursivo: Encuentra la mejor estructura
para los inputs i...j intentando una de las siguientes 4 posibilidades:– Agregar el par i, j sobre la mejor estructura i+1...j-1– Agregar i sin aparear a la mejor estructura i+1...j– Agregar j sin aparear a la mejor estructura i...j-1– Combinar las dos estructuras optimas i...k y k+1...j
Casos en Nussinov
Algoritmo Nussinov
• La secuencia a analizar tiene longitud L.
• Es un algoritmo de programacion dinamica que llena una matriz de L x L, con la informacion del maximo apareamiento de las bases.
• Hacemos la funcion (xi, xj) = 1, si xi y xj se aparearian entre si, y (xi, xj) = 0, en caso contrario.
Algoritmo Nussinov• Inicializacion:
(i, i-1) = 0, i= 2...L
(i, i) = 0, i= 1...L• Recursion: for i=1...L-1, j=i+1...L
• Terminacion: maxima cantidad de apareamientos de bases: (1, L)
Nussinov traceback• Inicializacion: Push (1,L) en el stack• Recursion: Repetir hasta que el stack este vacio
pop(i,j)
if i > j continuar
else if (i+1, j) = (i, j) push (i+1, j)
else if (i, j-1) = (i, j) push (i, j-1)
else if (i+1, j-1)+ij = (i, j):
registrar i, j como apareamiento
push (i+1, j-1)
else for k= i+1 to j-1: if (i,k)+ (k+1,j)= (i,j):
push (k+1,j)
push (i,k)
break
Ejemplo
Version SCFG de Nussinov
• S GSC: 3 CSG: 3 ASU: 2USA: 2 GSU: 1 USG: 1
• S SS: 0 : 0
• S AS: 0 CS: 0 GS: 0 US: 0
• S SA: 0 SC: 0 SG: 0 SU: 0
Para profundizar sobre el tema...
• Biological sequence analysis (Capitulos 9 y 10). Durbin, R., Eddy, S., Krogh, A., Mitchison, G., Cambridge University Press, 1998.
• Bioinformatics, The Machine Learning Approach, 2da. Edicion (Capitulo 11). Baldi, P. & Brunak, S., MIT press, 2001.
• Bioinformatics: sequence and genome analysis (Capitulo 5). Mount, D., Cold Spring Harbor Laboratory Press, 2001. • The language of RNA: a formal grammar that
includes pseudoknots. Rivas E., Eddy, S.R., Bioinformatics. 2000 Apr;16(4):334-40.