是否所有的RNA都翻译?

Report
生物信息学中的分类学习问题
邹
权
厦门大学计算机科学系
http://datamining.xmu.edu.cn/main/~zq
提纲
 DNA/RNA层面上的分类学习问题
 蛋白质层面的分类学习问题
 新技术带来的分类学习问题
2/57
 几个概念:
基因、基因组、DNA、染色体、细胞
3/57
4/57
5/57
6/57
 DNA如何影响生物的性状?
 什么叫表达?
7/57
中
心
法
则
8/57
.
.
A
T
T
C
A
C
A
G
T
G
G
A
.
.
9/57
I
H
S
G
 是否所有的DNA都转录?
 人—仅仅1%
 是否所有的RNA都翻译?
10/57
真核生物的基因结构
非编码区
RNA聚合酶
结合位点
编码区
外显子
非编码区
内含子
 真核细胞基因结构示意图
11/57
12/57
 问题1:识别编码区(ORF)
 Snyder, E. E., and Stormo, G. D. (1993). Identification of coding
regions in genomic DNA sequences: An application of dynamic
programming and neural networks. Nucleic Acids Res. 21: 607-613.
 问题2:辨别外显子、内含子
 T.M. Chen, C.C. Lu, W.H. Li,(2005) Prediction of splice sites with
dependency graphs and their expanded Bayesian networks,
Bioinformatics, 21:471–482.
 问题3:识别可变剪切
 Gideon D. et al(2005) Accurate identification of alternatively spliced
exons using support vector machine. Bioinformatics, 21:897-901
 问题4:识别调控元件
 Jiang B, Zhang MQ, Zhang X, (2007) OSCAR: one-class SVM for
accurate recognition of cis-elements, Bioinformatics, 23(5): 531-537
13/57
 问题1:识别ORF
 NN(GRAIL: a multi-agent neural network system for gene identification)
 HMM
 决策树(A decision tree system for finding genes in DNA .JCB98)
14/57
15/57
问题2:辨别外显子、内含子




外显子内含子的分界线——剪切位点
也可以称为“识别剪切位点”
特征:三连核苷酸…
分类器:SVM,NB,HMM,BP NN
编码区
外显子
16/57
内含子
问题3:识别可变剪切
17/57
 问题4:识别motif
 EM算法
 Gibbs Sampling
参考:王峻,郭茂祖.转录因子结合位点识别算法的研究.
电子学报.2007,35(12A):83-89
18/57
 是否所有的DNA都转录?
 人—仅仅1%
 4个与机器学习有关的问题,还有更多
 是否所有的RNA都翻译?
 编码RNA与非编码RNA
19/57
DNA
DNA
chromosome
chromosome
transcription
ncRNA
miRNA
mRNA
tRNA
rRNA
nucleolus
translation
Protein
ribosome
20/57
cytoplasm
21/57
MicroRNA 参与调节的疾病举例
•癌
• 其它疾病
症
- 胸腺癌
- 老年性痴呆
- 肺癌
- 直肠癌
- 白血病
- 皮肤癌
- 成神经细胞瘤
- 鼻咽癌
- 卵巢癌
- 糖尿病
- 心肌肥大
- AIDS
22/57
研究1:从长的
DNA序列中找
出前体
···
···
DNA
···
microRNA 前体
(precursor)
细胞核
出核
细胞质
microRNA 成熟体
研究2:根据成
熟体寻找靶标
靶标
23/57
mRNA
microRNA中的分类问题
 挖掘---对前体的真伪辨别
 同源比对
 ab initio
 靶标---对靶标的真伪辨别
24/57
基于同源比
对的方法
 利用已知的microRNA
信息
 BLAST
 逐步过滤
参考: Wang,X.J. et al (2004)
Prediction and identification of
Arabidopsis thaliana microRNA
genes and their mRNA targets.
Genome Biology. 5:R65
25/57
26/57
microRNA的挖掘-- ab initio方法
 Chenghai Xue, Fei Li, Tao He, Guo-Ping Liu, Yanda Li, Xuegong Zhang.
Classification of real and pseudo microRNA precursors using local
structure-sequence features and support vector machine. BMC
Bioinformatics. 2005.6:310(他引167次,截至11.12.12)
 Peng Jiang, Haonan Wu, Wenkai Wang, Wei Ma, Xiao Sun, Zuhong Lu.
MiPred: classification of real and pseudo microRNA precursors using
random forest prediction model with combined features. Nucleic Acids
Research. 2007,35:W339-W344 (他引107次,截至11.12.12)
27/57
一级序列 CUUUCUACACAGGUUGGGAUCGGUUGCAAUGCUGUGUUUCUGUAUGGUAUUGCACUUGUCCCGGCCUGUUGAGUUUGG
二级结构 ..(((...((((((((((((.(((.(((((((((((......)))))))))))))).)))))))))))).))).....
说明:”(”和”)”意义相 G
同,均表示发生了配对。 ((.
.(( ((( ((.
“.”表示没有发生配对
UU C
U
.((
每一位核苷酸和它及其相邻的
两个核苷酸的配对情况
32 个三元组——32 维特征向量
( U ( ( ( , U ( ( . , U ( . ( , U ( . . , U . ( ( , U .(. , U . . (, U . . . , G ( ( ( , G ( ( . , . . .)
出现的次数
(12,4,3,1,2,0,0,0,10,1,. . .)
归一化三元组
(0.1846,0.0615,0.0462,0.0154,0.0308,0,0,0,0.1538,0.0154, …)
28/57
29/57
http://dbgroup.cs.tsinghua.edu.cn/zouquan/libid/
30/57
microRNA中的分类问题
 挖掘---对前体的真伪辨别
 同源比对
 ab initio
 靶标---对靶标的真伪辨别
31/57
靶标预测
 参考:Improving the prediction of human microRNA
target genes by using ensemble algorithm. FEBS
Letters 581 (2007) 1587–1593
32/57
33/57
提纲
 DNA/RNA层面上的机器学习问题
 蛋白质层面的机器学习问题
 分类、鉴别
 结构预测
 相互作用预测
 新技术带来的机器学习问题
34/57
35/57
 参考:LY Han, J Cui, HH Lin, ZL Ji, ZW
Cao, YS Li, and YZ Chen. Recent
progresses in the application of machine
learning approach for predicting protein
functional class independent of sequence
similarity. Proteomics 2006, 6(14): 40234037
36/57
The Protein Folding Problem
 Secondary structures
 α-helix
 Average 10 residues, or three turns
 Glutamine, methionine, and leucine favor -helix
 Valine, serine, aspartic acid, and asparagine tend to
destabilize helices
 β-sheet
 Generally 5~10 residues
 Valine, isoleucine, and phenylalanine enhance -Sheets
 Proline doesn’t fit well into -Sheets
 Loop
 The sections of the sequence that connect the other two
kinds of secondary structure
37/57
蛋白质二级结构预测问题
 输入
IRNSSNISPASMIFRNLLILEDDLRRQAHEQKILKWQFTLFLASMAGVGAFTFYELYF
 输出
-----------HHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHHH----EEEEEEEE
参考:Fusion of classifiers for protein fold recognition.
Neurocomputing 68 (2005) 315–321
38/57
39/57
40/57
相互作用预测
 相互作用网络
 相互作用位点预测
参考:于建涛, 郭茂祖, 蔡禄. 蛋白质相互作用及其网络预
测方法研究进展. 电子学报.2007,35(12A):1-7
Li Minghui, et al. Protein–protein interaction site prediction
based on conditional random fields. BIOINFORMATICS. Vol.
23 no. 5 2007, pages 597–604
41/57
提纲
 DNA/RNA层面上的机器学习问题
 蛋白质层面的机器学习问题
 新技术带来的机器学习问题
 microArray
 Assembling
 SNP
42/57
43/57
44/57
45/57
microArray中的机器学习问题
 样本分类(疾病诊断)
 高维、小样本
 代价敏感
 正反例不平衡
 属性缺失
 基因聚类
 层次聚类
参考:时序微阵列数据中的同步和异步共调控基因聚类. 计算机学报. 2007,30:1302-1314
对于基因表达数据的基于类别树和SVM的多类癌症分类算法.计算机研究与发
展,2004,41:436-441.
Hierarchical clustering of gene expression profiles with graphics hardware
acceleration. Pattern Recognition Letters. 2006,27:676-681
A comprehensive evaluation of multicategory classification methods for
microarray gene expression cancer diagnosis. Bioinformatics. 2005.21:631-643
46/57
测序技术的发展(1)
已在市场上的下一代平台
GA – Illumina/Solexa
 SBS 通过可逆荧光终止法(FISSEQ)
GS FLX – Roche/454 Life Sciences
 SBS 通过焦磷酸测序
SOLiD – ABI/Agencourt
 SBL 通过双碱基编码
47/57
三
十
年
来
测
序
的
发
展
48/57
测序技术的发展(2)
2nd Generation Performance
49/57
50/57
重复区域
51/57
52/57
图模型下的片段组装
 参考:
Butler, J., Maccallum, I., Kleber, M., Shlyakhter, I.A.,
Belmonte, M.K., Lander, E.S., Nusbaum, C., and Jaffe,
D.B. ALLPATHS: De novo assembly of whole-genome
shotgun microreads. Genome Res.2008, 18: 810–820.
Zerbino, D. and Birney, E. Velvet: Algorithms for de novo
short read assembly using de Bruijn graphs. Genome
Res. 2008,18: 821–829.
J.T.Simpson et al. ABySS: A parallel assembler for short
read sequence data. Genome Res. 2009
53/57
SNP
 什么是SNP
 为什么研究它
54/57
55/57
SNP中的计算问题
 疾病预测/人群分类
 参考:Haplotype Pattern Mining & Classification for detecting disease
associated Site.CSB2003
 nsSNP
 参考:Finding new structural and sequence attributes to predict possible
disease association of single amino acid polymorphism
(SAP).Bioinformatics. 2007,23(12):1444–1450
 tagSNP
 参考: Jun Wang, Mao-zu Guo, Chun-yu Wang. CGTS: a site-clustering
graph based tagSNP selection algorithm in genotype data.BMC
Bioinformatics. 2009
 挖掘SNP
 参考:Jun Wang*, Quan Zou*, Maozu Guo. Mining SNPs from EST
sequences using filters and ensemble classifiers. Genetics and Molecular
Research. 2010,9(2):820-834.
 基因组压缩
 compress a human genome from 3.2GB to 4.1MB
 参考:Human genomes as email attachments. Bioinformatics 25: 274-275 (2009).
56/57
 欢迎给出任何意见和建议
 [email protected]
57/57

similar documents