1 / 65

Techniques de filtrage à l’aide de graines espacées

Techniques de filtrage à l’aide de graines espacées. Laurent Noé laurent.noe@loria.fr http://www.loria.fr/~noe Travail commun avec Gregory Kucherov Séminaire Symbiose – 4 mars 2004. Plan. Introduction Deux problèmes Problème de l’alignement local ( AL )

brock
Download Presentation

Techniques de filtrage à l’aide de graines espacées

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. Techniques de filtrage à l’aide de graines espacées Laurent Noé laurent.noe@loria.fr http://www.loria.fr/~noe Travail commun avec Gregory Kucherov Séminaire Symbiose – 4 mars 2004

  2. Plan • Introduction • Deux problèmes • Problème de l’alignement local(AL) • Problème de pattern matchingapproché (PMA) • Résolution utilisant des techniques de filtrage • Définition d’un filtre • Filtrage sans perte dans le cadre du pattern matchingapproché (PMA) • Filtrage avec perte pour l’alignement local (AL) • Design de graines • pour l’alignement local (AL) • pour le problème de pattern matching approché (PMA) • Conclusion • Deux problèmes sont considérés (AL et PMA) • Des techniques de filtrage (quelquefois semblables) sont proposées pour les résoudre N’hésitez surtout pas à m’interrompre si vous avez des questions ou des remarques !!

  3. Introduction • Motivations : • De nombreuses méthodes en BioInformatique reposent sur les résultats issus de comparaisons ( de séquences/structures/… ) entre différentes entités ( gènes/chromosomes/espèces/…) • Le coût des algorithmes utilisés est en général quadratique. Cependant, des gains significatifs peuvent être réalisés à l’aide de techniques ditesde filtrage qui permettent d’éviter de considérer tout l’espace de recherche. • Problèmes posés: • Problème d’alignement local (AL). • Problème de Pattern Matching Approché (PMA) relatif à la sélection d’oligonucléotides

  4. (AL) Alignement Local • Alignement • « Processus par lequel deux séquences sont comparées afin d'obtenir le plus de correspondances (identités ou substitutions conservatives) possibles entre les lettres qui les composent. »http://www.infobiogen.fr • Alignement Local • « Alignement des deux séquences seulement sur une portion de leur longueur. » http://www.infobiogen.fr • Deux sous-chaînes sont alignées. • Exemple GCAACATAG ||||||||| GCAACATAG TACATGCG ||:||||| TAGATGCG • T1 : TGTGCTTGGCAACATAGATAGATGCG • T2 : TACATGCGCAACATAGCTGTGCCTTG • T1 : TGTGCTTGGCAACATAGATAGATGCG • T2 : TACATGCGCAACATAGCTGTGCCTTG • T1 : TGTGCTTGGCAACATAGATAGATGCG • T2 : TACATGCGCAACATAGCTGTGCCTTG • T1 : TGTGCTTGGCAACATAGATAGATGCG • T2 : TACATGCGCAACATAGCTGTGCCTTG TGTGC-TTG ||||| ||| TGTGCCTTG

  5. (AL) Qualité d’un alignement • Objectif : essayer de distinguer les alignements dits significatifs du bruit de fond (redondance naturelle de la séquence). • Evaluation basée sur une technique dite de score. • Chacune des opérations unitaires lors de la construction d’un alignement possède un coût. • correspondance/substitution d’une nucléotide dans un alignement. • insertion/suppression de nucléotides • Pour un alignement donné, la somme des coûts des opérations unitaires associées donne le score de l’alignement • La qualité d’un alignement sera jugée selon le score de l’alignement TGTGC-TTG ||.|| ||| TGCGCCTTG

  6. (AL) Exemple ATGTGC-TTGC |||:|| |.|| ATGAGCCTCGC • Alignement donné : • Fonction de score • Matrice de substitution • s(a,b) • Coût pour l’insertion/la suppression de nucléotides (indels) • g = -3 • Score de l’alignement 1*(8 matches) –1 * (1 transition) – 2 * (1 transversion ) – 3 * (1 indel)= 2

  7. (AL) Méthode d’évaluation • Meilleur Alignement Local • Celui qui maximise le score. GATATGTGCTTGCTT CAATGAGCTTCGCCC GATATGTGCTTGCTT CAATGAGCTTCGCCC GATATGTGCTTGCTT CAATGAGCTTCGCCC ATG-TGCTT-GC ||| |||| || ATGA-GCTTCGC ATGTGCTT |||:|||| ATGAGCTT ATGTGCTT-GC |||:|||| || ATGAGCTTCGC 0 5 4

  8. S(i-1, j-1) + s(T1[i], T2[j] ) S(i-1, j) + g S(i, j-1) + g 0 S(i, j) = max • (AL) Recherche des alignements locaux • Algorithme de Smith-Waterman • Etant données deux séquences T1 et T2, l’algorithme recherche le score S(i, j)du meilleur alignement local se terminant • à la position i sur la séquence T1 • à la position j sur la séquence T2 s(a,b) = coût d’une substitution entre les lettres a et b g = coût d’un gap

  9. (AL) Coût de la méthode exacte • Algorithme quadratique. • Adopté sur des séquences relativement courtes (< 100000 b) • Optimisations • Crochemore 2002. • Autre démarche sur séquences chromosomiques • L’algorithme de recherche exhaustive n’est plus applicable en temps raisonnable. • Adopter une technique heuristique basée sur un filtrage avec perte.

  10. m k (m,k) • (PMA) Pattern Matching Approché • Problème posé Étant donnés • un motifPde longueurm(exP = “GCTACGACTTCGAGCTGC”, m=18 ) • un nombre maximal d’erreursk (exk = 3 ) trouver dans un texte T les positions i des occurrences approchées de P : DHamming( P, T [i..i+m-1] ) ≤ k • Notation P : GCTACGACTTCGAGCTGC ||||x|||x||||||x|| ...CTCAGCTATGACCTCGAGCGGCCTATCTA... T :

  11. (PMA<->AL) Liens entre les deux problèmes • Le problème de Pattern Matching Approché ~ une restriction du problème d’alignement local: • alignements recherchés sont de taille fixée m et ne possèdent pas d’indels. • alignements recherchés possèdent au plus k erreurs de type substitution. • Les deux problèmes peuvent être résolus à l’aide de techniques de filtrage.

  12. Plan • Introduction • Deux problèmes • Problème de l’alignement local(AL) • Problème de pattern matchingapproché (PMA) • Résolution utilisant des techniques de filtrage • Définition d’un filtre • Filtrage sans perte dans le cadre du pattern matchingapproché (PMA) • Filtrage avec perte pour l’alignement local (AL) • Design de graines • pour l’alignement local (AL) • pour le problème de pattern matching approché (PMA) • Conclusion

  13. Filtrage • Deux types de Filtrage • Sans perte Éliminer les régions qui n’ont aucune chance d’être similaires selon un critère donné. • Avec perte Éliminer les régions qui ont peu de chances d’être similaires selon un critère donné. • Filtrage • En général basé sur la connaissance de sous parties conservées. Ces sous parties conservées seront appelées graines. On propose d’étudier par la suite deux méthodes de filtrage: • Filtrage sans perte pour PMA • Filtrage avec perte pour AL

  14. k m • (PMA) Filtrage sans perte (m,k) • PEX[4] • Recherche du plus long fragment conservé (graine contiguë). • PEX (avec erreurs) • Recherche du plus long fragment k’-conservé (graine contiguë avec erreur). • parcours des mots k’-dérivés dans l’index. Efficace si • petites tailles d’alphabets (ADN,ARN) • nombre k’ relativement faible ( ≤ 2) #### #########(1)

  15. (PMA) Filtrage sans perte • Graines espacées (Q-grams espacés) Technique étudiée par Burkhardt & Kärkkäinen[3] . • Principe Plutôt que rechercher des fragments contigus dans le texte, baser sa recherche sur des fragments dits espacés (graines espacées). • La graine est composée à la fois • De caractères match« #» • De caractères jokers « -» • Distinction entre le poids et la taille (étendue) • Poids : nombre de caractères de type « #». • Etendue : nombre total de caractères. • La graine est conçue (design) pour résoudre un problème (m,k) donné. ###-##

  16. (PMA) Exemple • Sur le problème (m=18,k=3) ###-## ###-## ###-## ###-## ###-## ###-##

  17. (PMA) Exemple • Sur le problème (m=18,k=3) ###-## ###-## ###-## ###-## ###-## ###-##

  18. (PMA) Exemple • Sur le problème (m=18,k=3) ###-## ###-## ###-## ###-## ###-## ###-##

  19. (PMA) Exemple • Sur le problème (m=18,k=3) ###-## ###-## ###-## ###-## ###-## ###-##

  20. (PMA) Exemple • Sur le problème (m=18,k=3) ###-## ###-## ###-## ###-## ###-## ###-##

  21. (PMA) Exemple • Sur le problème (m=18,k=3) ###-## ###-## ###-## ###-## ###-## ###-##

  22. (PMA) Exemple • Sur le problème (m=18,k=3) ###-## ###-## ###-## ###-## ###-## ###-##

  23. (PMA) Exemple • Sur le problème (m=18,k=3) ###-## ###-## ###-## ###-## ###-## ###-##

  24. (PMA) Exemple • Sur le problème (m=18,k=3) ###-## ###-## ###-## ###-## ###-## ###-##

  25. (PMA) Exemple • Sur le problème (m=18,k=3) ###-## ###-## ###-## ###-## ###-## ###-##

  26. (PMA) Exemple • Sur le problème (m=18,k=3) ###-## ###-## ###-## ###-## ###-## ###-##

  27. (PMA) Exemple • Sur le problème (m=18,k=3) ###-## ###-## ###-## ###-## ###-## ###-##

  28. (PMA) Exemple • Sur le problème (m=18,k=3) ###-## ###-## ###-## ###-## ###-## ###-##

  29. (PMA) Exemple • Sur le problème (m=18,k=3) ###-## ###-## ###-## ###-## ###-## ###-##

  30. (PMA) Exemple • Sur le problème (m=18,k=3) ###-## ###-## ###-## ###-## ###-## ###-##

  31. T1 : • T2 : • (AL) Filtrage avec Perte • Techniques semblables à celles du filtrage sans perte. • Basées sur la recherche de sous éléments conservés d’un alignement (graines) : ces graines doivent avoir une forte probabilité d’apparition dans les alignements recherchés Dans le cadre de l’alignement local, ces graines servent à la fois d’indicateurs sur la présence potentielle d’un alignement, et de points d’ancrages pour réaliser une extension de l’alignement.

  32. ######### ######### • (AL) Critère de Hit de BLAST[5] • BLASTn: Recherche basée sur des graines contiguës de taille (poids) 11: si l’alignement contient une fragment de texte conservé de taille 11 alors il est détecté (Hit) et transmit à un algorithme d’alignement. • Gapped-BLAST: Plutôt que rechercher un seul fragment (poids 11), critère basé sur la présence dans l’alignement de deux fragments de texte de poids plus faible (9) séparé par une distance d < seuil. d ########### ########### ###########

  33. (AL) Critère de Hit de BLAT[6] • Notion de graine avec erreur • Autoriser dans une graine contiguë pouvant éventuellement contenir une erreur. • Utiliser des graines de poids plus élevé pour conserver un niveau de sélectivité suffisant. • Coût supplémentaire à l’exécution : • index multiple (coût mémoire) • index simple (il est nécessaire de parcourir tous les mots dérivés) ##############(1)

  34. (AL) Critère de Hit de PatternHunter[1] • Notion de graine espacée • Apport de PatternHunter : proposer un design de ces graines (choix du motif) ###-#-#--#-### ###-#--#-#--##-### ###-#--#-#--##-### ###-#--#-#--##-###

  35. Filtrage : analyse • Quantités considérées • Mesures effectuées • Sélectivité : VP/(FP+VP) • Sensibilité : VP/(FN+VP) Vérifient / Ne vérifient pas le critère de similarité Détectés / Non détectés par le filtre

  36. (PMA) Filtrage sans perte dans le cadre du PMA • Quantités considérées • Filtrage sans perte: le nombre de faux négatifs est nul donc la sensibilitéVP/(FN+VP)est = 1. • Maximiser la sélectivitéVP/(FP+VP) soit minimiser le nombre de faux positifs. Estimation de cette quantité: Si la longueur du texte est n, le nombre attendu de faux positifs est ~ n.m.δ (sur des séquences i.i.d). PEX : δ = 1/|A|4, Graines espacées :δ = 1/|A|5 Vérifient / Ne vérifient pas le critère de similarité Détectés / Non détectés par le filtre #### ###-##

  37. (AL) Filtrage avec perte dans le cadre de l’AL Vérifient / Ne vérifient pas le critère d’un alignement étalon • Filtrage avec perte • Mesure de la sélectivité : VP/(FP+VP) reste basée sur l’estimation de δ donc liée au poids des graines. • Mesure de la sensibilité : VP/(FN+VP) Nécessité de définir le critère d’un alignement étalon. ces deux quantités sont antagonistes. Détectés / Non détectés par le filtre

  38. (AL) Sensibilité des différentes approches Modèle choisi : • Alignements étalons • Alignements sans gaps (pas d’indels dans l’alignement) • Utiliser un système de score courant (celui de BLAST) +1/-3 (match/mismatch) • Paramètres proposés • Fixer une valeur pour le score des séquences générées • Faire varier la longueur de l’alignement (abscisse). Mesure : • Probabilité d’un hit • A sélectivité égale, on considère la sensibilité : probabilité de trouver de tels alignements selon • le critère de hit de BLAST • le critère de hit de Gapped-BLAST • le critère de hit de PatternHunter

  39. (AL) Sensibilité • Comparaison avec les approches choisies par BLASTn et Gapped-BLAST (score 25)

  40. (AL) Sensibilité • Comparaison avec les approches choisies par BLASTn et Gapped-BLAST (score 35)

  41. (AL) Sensibilité • Comparaison avec les approches choisies par BLASTn et PatternHunter (score 25)

  42. (AL) Sensibilité • Comparaison avec les approches choisies par BLASTn et PatternHunter (score 25)

  43. A T transversions G C transitions • (AL) Critère de Hit de YASS • modèle inspiré des alignements biologiques • Les transitions sont toujours sur-représentées. • graine espacée autorisant des transitions • mot défini sur un alphabet à 3 lettres {‘@’,‘#’, ‘-’}. • symbole ‘@’ signifie “soit match soit transition” • poids d’un graine = ’#’ +’@’ / 2; • exemples de graines optimales trouvées • Alignements générés selon un modèle de Bernoulli. • Alignements générés selon un modèle de Markov d’ordre 5 ##@-#@#--#-### ##@##-##@##

  44. (AL) Sensibilité • Sur des alignements générés selon un modèle de Bernoulli. la sensibilité dépend du ratio entre le nombre de transitions et transversions.

  45. (AL) Sensibilité • Sur des alignements générés selon un modèle de Markov (ordre 5).

  46. (AL) Critère de Hit de YASS • Critère de Hit à la fois multi-seed (Gapped Blast) avec des propriétés issues de techniques single-seed (BLAST). principes: • regrouper efficacement les graines en sous-ensembles représentatifs d’alignements potentiels un modèle statistique de la séquence pour simuler les effets des mutations et des indels sur la répartition des graines dans l’alignement. • évaluer un critère global distribué sur l’alignement • Mesure du nombre de matches apportées par les graines • Hit si dépassement d’un seuil.

  47. (AL) Critère de Hit de YASS

  48. (AL) Critère de Hit de YASS

  49. Plan • Introduction • Deux problèmes • Problème de l’alignement local(AL) • Problème de pattern matchingapproché (PMA) • Résolution utilisant des techniques de filtrage • Définition d’un filtre • Filtrage sans perte dans le cadre du pattern matchingapproché (PMA) • Filtrage avec perte pour l’alignement local (AL) • Design de graines • pour l’alignement local (AL) • pour le problème de pattern matching approché (PMA) • Conclusion

  50. Design de graines espacées • Les techniques de filtrage par graines espacées necessitent une conception (design) de la graine: • dans le cadre du filtrage avec perte (AL) • dans le cadre du filtrage sans perte (PMA) • Sur quels critères peut-on établir le choix de la graine ? ###-#-#--#-### ###-#--###-#--###-#

More Related