Doku ve Hastalıklara Özgü Büyük Ölçekli Biyolojik Ağları Oluşturul ası ve Analizi

Ebat: px

Şu sayfadan göstermeyi başlat:

Download "Doku ve Hastalıklara Özgü Büyük Ölçekli Biyolojik Ağları Oluşturul ası ve Analizi"

Yavuz Balbay
5 yıl önce
İzleme sayısı:

1 Boğaz da Yapay Öğre e İs ail Arı Yaz Okulu 2-5 Temmuz 2018 Doku ve Hastalıklara Özgü Büyük Ölçekli Biyolojik Ağları Oluşturul ası ve Analizi Tolga Can Bilgisayar Mühe disliği Bölümü ODTÜ

2 İçerik Genom ölçeği de biyolojik etkileşi verileri Pathway Commons portalı Doku ya da hastalıklara özgü biyolojik etkileşi ağları ı oluşturul ası Çizgecikler (İ g. Graphlets) Büyük bir çizge içinde çizgeciklerin sayıl ası Büyük çizgelerde yakı lık sorguları Çizgede yeniden aşla alı rastgele yürüme (İ g. Random Walks with Restarts)

Pathway Commons Biyolojik etkileşi verilerini ve u ları analizi için faydalı araçları içeren bir web portalı. pathwaycommons.org Cerami, E. G., Gross, B. E., Demir, E.

3 Pathway Commons Biyolojik etkileşi verilerini ve u ları analizi için faydalı araçları içeren bir web portalı. pathwaycommons.org Cerami, E. G., Gross, B. E., Demir, E., Rodchenkov, I., Babur, Ö., A ar, N., Sa der, C.. Pathway Commons, a web resource for biological pathway data. Nucleic Acids Research, 39(Database issue), D685 D690.

4 Pathway Commons Araçları da Bir Örnek

Pathway Commons Versiyon 10 (7 Mayıs 2018) http://www.pathwaycommons.

5 Pathway Commons Versiyon 10 (7 Mayıs 2018) archives/pc2/v10/pathwaycommon s10.all.hgnc.sif.gz 32,875 protein/küçük molekül arası da 2,374,707 etkileşi

6 Pathway Co o s taki Etkileşi ler

Pathway Commons Versiyon 10 (7 Mayıs 2018) 18,931 protein arası da 1,225,798 etkileşi Etkileşi Türü Sayısı interacts-with 434,790 in-complex-with 189,421

7 Pathway Commons Versiyon 10 (7 Mayıs 2018) 18,931 protein arası da 1,225,798 etkileşi Etkileşi Türü Sayısı interacts-with 434,790 in-complex-with 189,421 controls-state-change-of 250,730 catalysis-precedes 190,578 controls-expression-of 139,194 controls-transport-of 7,776 controls-phosphorylation-of 13,309 yönlü etkileşi ler

8 Ağı ta a ı ı görüp de anlamak çok zor ProNet (Asthana et al. 2004) S. Cerevisiae 3,112 düğü 12,594 kenar

9 Farklı tür etkileşi ler içeren bir ağ string.embl.de

10 Doku/Hastalıklara Özgü Ağları elde edilmesi En doğru yolu: etkileşi belirleme deneylerinin yapıldığı doku/hastalık bilgilerini kullanmak Pathway Co o s daki veri kay akları ı çoğu da böyle bir bilgi yok ne yazık ki Yüksek ölçekli etkileşi belirleme yöntemleri doku ya da hastalığa özel örneklerde çalıştırıl a ış olabiliyor

11 Doku/Hastalıklara Özgü Ağları elde edilmesi Daha az doğru ama bir dokuda olmayan etkileşi leri çıkar a ı bir yolu: Transkriptom profilleri NCBI GEO GSE7307: Expression profiling by array Herkese açık veri, April 09, 2007 Normal ve hasta insan dokuları Affymetrix U133 plus 2.0 ile profille iş Toplam 677 örnek, 9 da fazla doku tipi 141 farklı hastalık/doku ağı elde etmekte kulla ıla ilir

12 Doku/Hastalıklara Özgü Ağlar İfade edil iş genlerin belirlenmesi Basit bir eşik değer kulla ı ı: ifade değeri. da büyük olan bütün genlerin ifade edildiği i varsaymak Daha doğru çözümler: Her genin da ra ışı ı bütün dokuları göz önüne alıp ayrı ayrı modellemek Referans genler kullanarak normalizasyon yapmak

13 Çizgeciklerin sayıl ası 2-3 düğü lü çizgeciklerin sayıl ası için bir yöntem: Her bir 2-3 düğü lü kenar kodla ası Hashtable eriyapısı ile sayıla ilir Ama izomorfik olan çizgeciklerin yal ız a bir kez sayıl ası için dikkatli olmak gerekir

14 Ke arları kodla ası A da B ye olan kenar: B de A ya olan kenar: Bu iki kodla a ı izomorfik olduğu gerçeği ile sayı yap alıyız

15 İstatistiksel A la lılığı Ölçülmesi Gerçek biyolojik ağlardaki çizgeciklerin sayıları ı rastgele oluşturul uş (örn. kenar karıştır ası yöntemi ile) ağlardaki çizgecik sayıları ile karşılaştıra iliriz. Eğer rastgele ağlarda bu sayılar normal bir dağılı gösteriyorsa:

16 Biyolojik Ağlarda Yakı lık Sorguları Yakı lık (İ g. Proximity) sorguları genlerin fo ksiyo ları ı belirlenmesi, hastalık-gen ilişkileri, ay ı yolakta görev alan genlerin belirlenmesi gibi bir çok amaçla kulla ıl aktadır.

17 Çizgelerde Rastgele Yürüme Google PageRank ölçütü de bu yöntemi kullanarak geliştirilmiştir.

18 Google PageRank Varsayım: A sayfasından B sayfasına olan bir bağlantı A sayfasının B sayfasını önerdiğini göstermektedir Yani bir sayfa ne kadar fazla sayfa tarafından öneriliyorsa o kadar önemlidir (PageRank i fazladır) diyebiliriz Gelen bağlantı sayısının direkt kullanılmasının problemi ne olabilir?

19 Google PageRank Özyineli bir çözüm: Bir sayfanın önemi hem kendisine yapılan bağlantıların sayısıyla, hem de bu bağlantıları yapan sayfaların önemiyle orantılıdır. S. Brin and L. Page. "The Anatomy of a Large- Scale Hypertextual Web Search Engine." Computer Networks 30:1-7 (1998),

20 PageRank tanımı Sonsuza kadar devam edecek şekilde, aşağıdaki gibi rastgele hareket eden bir web gezgini düşünelim: Başlangıçta gezgin rastgele bir sayfadadır Her adımda gezgin c olasılığı ile tamamen rastgele bir sayfaya ya da 1- c olasılığı ile bulunduğu sayfadaki rastgele bir bağlantıya gider PageRank ölçütü limitte gezginin bir p sayfasını ne oranda ziyaret ettiğini gösterir.

21 Yeniden başlamalı rastgele yürüme s düğümünde başlayan bir rastgele yürüme düşünelim. Her adımda bulunduğu düğümün komşularından birine rastgele gidebiliriz ya da s düğümüne c olasılığı ile geri dönebiliriz. s

22 Bir yakınlık ölçütü ( t) p s ( v) olasılığını rastgele gezginin v düğümünde t. adımda bulunma olasılığı olarak tanımlarsak. Limitte değişmez olan p s (v) değeri v düğümümün s düğümüne olan yakınlığı (İng. affinity) ile orantılıdır ve yinelemeli matris işlemleri ile kolayca hesaplanabilir.

23 Yakınlık vektörü p nin durgun halini hesaplama s başlangış düğümlerini belirten bir sütun vektörü olsun (yani, s i =1/n, eğer i düğümü n tane başlangıç düğümünden biri ise, değilse s i =0). Aşağıdaki yinelemeli denklemi p sütun vektörü değişmeyene kadar uygula: p t+1 = (1-c)A T p t + cs burada A normalize edilmiş komşuluk matrisini ve c de başa dönme olasılığını göstermektedir.

24 Küçük bir örnek Başlangıç (geri dönüş düğümleri): n 5 ve n 6 olsun.

25 Yakı lık matrisi ve aşla gıç vektörleri A: n1 n2 n3 n4 n5 n6 n n n n n n s = p 0 n1 0 n2 0 n3 0 n4 0 n5 0.5 n6 0.5

26 Normalize edil iş yakı lık matrisi A: n1 n2 n3 n4 n5 n6 n n n n n n s = p 0 n1 0 n2 0 n3 0 n4 0 n5 0.5 n6 0.5

27 p 1 i hesapla ası A T : n1 n2 n3 n4 n5 n6 n n n n n n p 0 : n1 0 n2 0 n3 0 n4 0 n5 0.5 n6 0.5 p 1 = 0.7 x s: n1 0 n2 0 n3 0 n4 0 n5 0.5 n6 0.5 c = 0.3 olsun p 1 = n n2 0.0 n n n n

28 p 2 i hesapla ası A T : n1 n2 n3 n4 n5 n6 n n n n n n p 1 : n n2 0.0 n n n n p 2 = 0.7 x s n1 0 n2 0 n3 0 n4 0 n5 0.5 n6 0.5 p 2 = n n n n n n

29 p 21 = p 22 n n n n n n

30 Sorular Yakı lık sorguları için entegre ağları asıl sayısal olarak modelleyebiliriz? Farklı tür ağlarda yapıl ış yakı lık sorgu so uçları ı asıl irleştire iliriz? Farklı doku/hastalık ağları daki yakı lık sorgu so uçları ı asıl karşılaştıra iliriz?

31 Teşekkürler Çizgecik Sayı ı: Doktora öğre i Arzu Burçak Sönmez (ODTÜ Enformatik Enstitüsü Sağlık Bilişi i) Ağlarda yakı lık sorguları: Kathy Marcopol ve Ambuj K. Singh (UC Santa Barbara) Finansal destekler: TÜBİTAK #144E111 o lu araştır a projesi Bilim Akademisi Genç Bilim İ sa ları Ödül Progra ı (BAGEP)

Benzer belgeler

TOPSIS yönteminin adımları 5 Adım 1. Normalize karar matrisinin oluşturulması 6 Karar matrisinin normalizasyonu aşağıdaki formül kullanılarak yapılır:

TOPSIS yönteminin adımları 5 Adım 1. Normalize karar matrisinin oluşturulması 6 Karar matrisinin normalizasyonu aşağıdaki formül kullanılarak yapılır: Giriş 2 TOPSIS Bölüm 5 TOPSIS (Technique for Order Preference by Similarity to Ideal Solution) 1981 yılında Hwang ve Yoon tarafından geliştirilmiştir. Uygulanması basit, ulaşılan sonuçlar çok gerçekçidir.