Sotirios - Filippos Tsarouchis Diploma Thesis Presentation

Αλγόριθμος Ιεραρχικής Ομαδοποίησης
Πρωτεϊνικών Ακολουθιών Ίδιου Μήκους
Τσαρούχης Σωτήριος – Φίλιππος
ΑΕΜ: 7999
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ
ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ
ΤΜΗΜΑ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ
ΤΟΜΕΑΣ ΗΛΕΚΤΡΟΝΙΚΗΣ ΚΑΙ ΥΠΟΛΟΓΙΣΤΩΝ
ΕΡΓΑΣΤΗΡΙΟ ΕΠΕΞΕΡΓΑΣΙΑΣ ΠΛΗΡΟΦΟΡΙΑΣ ΚΑΙ ΥΠΟΛΟΓΙΣΜΩΝ
Επιβλέποντες
Καθηγητής Περικλής, Α. Μήτκας
Μεταδιδακτορικός Ερευνητής, Φώτης Ε. Ψωμόπουλος
Υποψήφια Διδάκτορας, Μαρία Κωτούζα
Θεσσαλονίκη, Ιούλιος 2018

2
Τσαρούχης Σωτήριος Φίλιππος 7999 – Ιούλιος 2018
1. Εισαγωγή
2. Μεθοδολογία Διπλωματικής
3. Αλγόριθμος Ιεραρχικής Ομαδοποίησης
4. Πειραματικά Αποτελέσματα
5. Παρουσίαση Shiny Εφαρμογής (Demo)
6. Συμπεράσματα και Μελλοντικές Επεκτάσεις

3
1. Εισαγωγή

4
Βιοπληροφορική
Στατιστική
Πληροφορική
Βιολογία
• Εξόρυξη Δεδομένων (Data
Mining)
• Ομαδοποίηση (Clustering)
Πληροφορική
• Πρωτεΐνες
• Αμινοξέα
Βιολογία

5
Ιεραρχική ομαδοποίηση μεγάλου αριθμού αμινοξικών ακολουθιών ίδιου
μήκους σε εύλογο χρονικό διάστημα
• Υλοποίηση του αλγορίθμου ομαδοποίησης για την ιεραρχική
ομαδοποίηση πρωτεϊνών ίδιου μήκους
• Βελτιστοποίηση αλγορίθμου – ελαχιστοποίηση χρόνου
• Οπτικοποίηση αποτελεσμάτων

6
1. Εισαγωγή

7
Χρήση πραγματικού σετ δεδομένων
Δημιουργία του αλγορίθμου ομαδοποίησης
Δημιουργία των συναρτήσεων οπτικοποίησης
Δημιουργία της Shiny εφαρμογής
Αξιολόγηση αποτελεσμάτων ομαδοποίησης
Βελτιστοποίηση Κώδικα
Χρήση τεχνητών σετ δεδομένων

8
1. Εισαγωγή

9
Iεραρχική ομαδοποίηση
Αποτέλεσμα: Δυαδικό Δένδρο
Επιμέρους συναρτήσεις:

10
Επιλογές χρήστη για αρχικοποίηση:
1η επιλογή
2η επιλογή
3η επιλογή
4η επιλογή
Μεμονωμένα γράμματα
(Identity)
Ομάδες ομοιότητας
(Similarity)
Δεν λαμβάνονται υπ’
όψιν οι x πρώτες στήλες
Δεν λαμβάνονται υπ’ όψιν
οι y1 στήλες από το
τέλος
Δεν λαμβάνονται
υπ’ όψιν οι y2
στήλες από το τέλος
για γονίδια τύπου
“J6”

11
Υπολογίζονται:
• Πίνακας στοιχείων μεμονωμένων γραμμάτων (CM) [20 x L]
• Πίνακας συχνοτήτων μεμονωμένων γραμμάτων (FM) [21 x L]
• Πίνακας στοιχείων ομάδων ομοιότητας (CSM) [11 x L]
• Πίνακας συχνοτήτων ομάδων ομοιότητας (FSM) [12 x L]
𝑭𝑴 = 𝑪𝑴 𝑵
𝑭𝑺𝑴 = 𝑪𝑺𝑴 𝑵

12
Υπολογίζονται:
• Ταυτότητα μεμονωμένων γραμμάτων (Identity)
• Ταυτότητα ομάδων ομοιότητας (Similarity)
𝑖𝑑 = (
𝑗=1
𝐿
FThr[, j]) /𝐿)
𝐹𝑇ℎ𝑟 , 𝑗 =
1, 𝜀𝛼𝜈 max(𝐹𝑀 , 𝑗 ) = 100
0, 𝜀𝛼𝜈 𝑚𝑎𝑥(𝐹𝑀 , 𝑗 ) < 100
, 𝑗 = 1, … , 𝐿

13
Επιλογή κατάλληλου κελιού:
Identity
1. Μέγιστη τιμή πίνακα FM
2. Ελάχιστη τιμή εντροπίας
3. Μέγιστη τιμή πίνακα FSM
5. Πρώτο στοιχείο
Similarity
1. Μέγιστη τιμή πίνακα FSM
3. Πρώτο στοιχείο

14

15

16
1. Εισαγωγή

17
• Ακολουθίες μήκους 20 αμινοξέων
• Ποικιλία μεγεθών για τα σετ δεδομένων
(100 έως 500,000 ακολουθίες)
• Τυχαία παραγόμενες
Βελτίωση του χρόνου
εκτέλεσης
• Ακολουθίες μήκους 20 αμινοξέων
• 123 ακολουθίες αμινοξέων κλωνοτυπικών
ανοσοσφαιρινών (IG) ιδίου γονιδίου
(IGHV4-34)
• Από ασθενείς με χρόνια λεμφοκυτταρική
λευχαιμία (CLL)
Βιολογική αξιολόγηση

18
Σετ δεδομένων που αποτελούνται από 100 – 500 – 1,000 – 5,000
ακολουθίες
Προσέγγιση
Χρόνος (sec)
για 100
Ακολουθίες
Χρόνος (sec) για
500 Ακολουθίες
Χρόνος (sec)
για 1,000
Ακολουθίες
Χρόνος (sec) για
5,000 Ακολουθίες
(Αρχική)
Προσέγγιση 1
10.931
node stack
overflow
node stack
overflow
node stack
overflow
Προσέγγιση 2 10.809 69.582
node stack
overflow
node stack
overflow
Προσέγγιση 3 6.218 28.575
node stack
overflow
node stack
overflow
Προσέγγιση 4 5.965 26.853 54.979 337.496
Προσέγγιση 5 5.768 26.842 54.37 337.218
(Τελική)
Προσέγγιση 6
5.177 23.658 47.89 263.14

19
Σετ δεδομένων που αποτελούνται από (100 – 250 – 500 – 1,000 – 2,500 –
5,000 – 10,000 – 25,000 – 50,000 – 100,000 – 250,000 – 500,000
ακολουθίες)
Αριθμός
Ακολουθιών
Εισόδου
Κλήσεις
Συναρτήσεων
Χρόνος (sec)
Χρόνος
(min)
Χρόνος
(hours)
Χρόνος
(days)
500,000 877,304 317,229.5 5,287.158 88.1193 3.6716
250,000 438,547 88,114.27 1,468.571 24.4762 1.0198
100,000 175,997 17,039.03 283.9838 4.7331 0.1972
50,000 88,244 5,025.016 83.7503 1.3958 0.0582
25,000 43,967 1,808.542 30.1424 0.5023 0.0209
10,000 17,597 577.927 9.6321 0.1605 0.0066
5,000 8,816 263.14 4.3857 0.0731 0.003
2,500 4,406 123.331 2.0555 0.0343 0.0014
1,000 1,757 47.89 0.7981 0.0133 0.0006
500 872 23.658 0.3943 0.0066 0.0003
250 440 12.141 0.2024 0.0033 0.0001
100 179 5.177 0.0863 0.0014 0.0000

20
123 ακολουθίες αμινοξέων κλωνοτυπικών ανοσοσφαιρινών (IG) από ασθενείς με
χρόνια λεμφοκυτταρική λευχαιμία (CLL). Όλες οι ακολουθίες περιέχουν το γονίδιο
IGHV4-34 (ακολουθίες με μήκος 20 αμινοξέων) με τις
• 111 (90.2%) να χωρίζονται σε 5 βιολογικές ομάδες (subsets)
#4 → 101 ακολουθίες, #207 → 2 ακολουθίες, #4-34/20-1 → 2 ακολουθίες,
#4-34-16 → 4 ακολουθίες, #4-34-18 → 2 ακολουθίες
• 12 ακολουθίες που δεν ανοίκουν σε κάποιο subset
Δημιουργήθηκαν: 20 επίπεδα και 166 clusters
Αξιολογώντας την ομαδοποίηση:
• #4 → (95 101 = 94%) cluster 7 - επίπεδο 3 - Identity 15% - Similarity 25%
• #207→ (2 2 = 100%) cluster 37 - επίπεδο 6 - Identity 85% - Similarity 95%
• #4-34/20-1 → (2 2 = 100%) cluster 57 - επίπεδο 9 - Identity 80% - Similarity
95%
• #4-34-16 → (3/4 = 75%) cluster 21 - επίπεδο 4 - Identity 40% - Similarity 45%
Level
Average Identity
Value
Identity Standard
Deviation
Average Similarity
Value
Similarity Standard
Deviation
level.0 0 NA 0 ΝΑ
level.1 5 0 7.5 3.5355
level.2 38.75 41.7083 41.25 39.66
level.3 43.5714 39.1274 46.4286 37.3847
level.4 47.5 33.6763 50.8333 32.8795
level.5 58.5294 33.1552 62.9412 31.0271
level.6 65.9523 33.4895 70 31.1448
level.7 59.5833 32.4009 73.3333 30.1326
level.8 72.4074 30.6773 75.9259 28.5898
level.9 74.1935 29.5831 78.7097 27.3242
level.10 75.8824 28.6163 79.8529 26.5286
level.11 77.2368 27.5018 81.0526 25.5258
level.12 79.3023 26.0398 82.5581 24.3578
level.13 81.1458 25.143 84.0625 23.4443
level.14 82.2222 23.7452 85.1852 22.2542
level.15 83.75 22.8225 86.3333 21.3896
level.16 84.697 21.8188 86.9697 20.3976
level.17 85.9028 21.0353 88.1944 19.5244
level.18 87.3718 20.461 89.5513 18.9186
level.19 88.5542 20.069 90.5422 18.4789
level.20 88.75 19.9981 90.7143 18.4022

21
1. Εισαγωγή

22

23
1. Εισαγωγή

24
• Παραλληλοποίηση του αλγορίθμου
• Αποθήκευση των εκτελέσεων
• Μια νέα τεχνική ιεραρχικής ομαδοποίησης πρωτεϊνικών ακολουθιών
ίδιου μήκους με υποσχόμενα αποτελέσματα
• Δυαδικό δένδρο
• Χρήση ταυτότητας μεμονωμένων γραμμάτων και ταυτότητας ομάδων
ομοιότητας
• Οπτικοποίηση των αποτελεσμάτων
• Επιθυμητή ομαδοποίηση ακολουθιών μεγάλου μήκους σε
ικανοποιητικό χρονικό διάστημα

25
• Αποθετήριο (repository) διαδικτυακής εφαρμογής Shiny στη διεύθυνση
https://github.com/fpsom/CDR3-HClust/tree/master/CDR3%20Final
• Conference Paper (AIAI 2018)
Tsarouchis S., Kotouza M.T., Psomopoulos F.E., Mitkas P.A. (2018) A Multi-
metric Algorithm for Hierarchical Clustering of Same-Length Protein
Sequences. In: Iliadis L., Maglogiannis I., Plagianakos V. (eds) Artificial
Intelligence Applications and Innovations. AIAI 2018. IFIP Advances in
Information and Communication Technology, vol 520. Springer, Cham

26
Θα ήθελα να ευχαριστήσω θερμά τον καθηγητή κ.
Περικλή Μήτκα, τον μεταδιδακτορικό ερευνητή κ.
Φώτη Ψωμόπουλο καθώς και την υποψήφια
διδάκτορα Μαρία Κωτούζα για την πολύτιμη βοήθειά
και καθοδήγηση τους.

27

Sotirios - Filippos Tsarouchis Diploma Thesis Presentation

Sotirios - Filippos Tsarouchis Diploma Thesis Presentation

Recommended

More Related Content

More from ISSEL

More from ISSEL(20)

Sotirios - Filippos Tsarouchis Diploma Thesis Presentation