WICC ALGORITMO CON COBERTURA MUESTRAL EN DATA MINING APLICADO AL ESTUDIO DE LA BIODIVERSIDAD

Transcripción

1 WICC ALGORITMO CON COBERTURA MUETRAL EN DATA MINING APLICADO AL ETUDIO DE LA BIODIVERIDAD Cstóbal R. anta Maía Depatamento de Ingeneía UNLAM Macelo oa Facultad de Agonomía Cáteda de Mcobología UBA Floenco Vaela 903 an Justo Pca. de Buenos Aes REUMEN Enmacadas en la bología computaconal, la aplcacón conunta de técncas de Data Mnng y mulacón a secuencas muestales de ADN con el obeto de evalua la queza, pncpal paámeto de bodvesdad, ha poducdo esultados que meoan las estmacones usualmente ealzadas po pocedmentos solo estadístcos. A pat del agupamento eáquco de secuencas de la muesta en deentes clustes que epesentan taones dstntos selecconados po umbal de dsmladad, es posble constu un modelo epemental y aplca sobe él algotmos de ecuento de especes, o más genealmente de taones (ARE [] y [2]), que elevan a nveles compatbles con la apecacón bológca la queza subestmada po los pocedmentos estánda [3]. e desaolla aquí en detalle un algotmo altenatvo a dchos pocedmentos ARE que ncopoa el concepto de cobetua muestal [4] y popocona así establdad a la smulacón asocada. e pocesan dos conuntos muestales y se obtenen conclusones sobe el desempeño del algotmo con cobetua muestal Palabas Clave: Cluste-Rqueza- Dvesdad-mulacón-Cobetua CONTEXTO La línea de nvestgacón que se pesenta está nseta en el poyecto Aplcacones de Data Mnng al Estudo de la Bodvesdad en Relevamentos Metagenómcos que, dento del maco del Pogama de Incentvos a la soa@ago.uba.a Investgacón, se lleva adelante en el Depatamento de Ingeneía e Investgacones Tecnológcas de la UNLAM. Tal taea se ealza con la colaboacón de un nvestgado de la Cáteda de Mcobología de la Facultad de Agonomía de la UBA y con el asesoamento de la Maestía en Eplotacón de Datos y Descubmento del Conocmento de la UBA. INTRODUCCIÓN A pat de muestas de mateal bológco se obtenen secuencas de ADN que son cadenas de símbolos epesentantes de deentes componentes químcas y coespondentes a dstntos mcoogansmos. A pat de allí los estudos de bodvesdad devenen en pocesos computaconales que abacan deentes técncas. En pme luga se eectúa un alneamento y ltado de esas secuencas con la ntencón de pode compaa agmentos de ADN coespondentes a smlaes lugaes del genoma [5]. Es posble ealza estos pocesos con sotwae lbe dsponble en la web tales como MOTHUR [6] Luego se ealza un agupamento eáquco de secuencas, es dec de ndvduos, de acuedo a la dstanca bológca que haya ente ellas. Paa evalua la dstanca se ecue a alguno de los dstntos modelos dsponbles. En este caso se utlzó la dstanca del modelo de Jukes-Canto que posee popedad ultamétca. y mde la smladad ente secuencas [7]. e empleó el sotwae lbe DNADIT de la sute PHYLLIP [8] que calculó la matz de dstancas ente secuencas y con ellas se ealzó el agupamento 202 XIV Wokshop de Investgadoes en Cencas de la Computacón

2 WICC eáquco según el cteo de encadenamento pomedo. e utlzó paa esto MOTHUR con un nvel de dsmladad del 5% que pemte dentca el taón espece en el dendogama coespondente. Los dstntos gupos así obtendos coesponden a ndvduos que po smladad genétca petenecen a la msma espece. Es dec cada cluste epesenta una espece y habá en la muesta epesentada computaconalmente tantas especes como clustes se hayan omado. A pat de aquí el pocedmento estánda [4] paa estma la cantdad de especes en la poblacón de ndvduos a pat de la muesta hallada poduce, a cteo de bólogos y ecólogos, una subestmacón de la queza medda en témnos de cantdad de especes estmada [3]. Esto obedece a las caacteístcas de la dstbucón eal de las especes mcobanas en la poblacón que suele contene una pequeña popocón de especes muy abundantes, ota más pequeña de especes menos ecuentes y una alta cantdad de especes estadístcamente aas, es dec, muy poco ecuentes. Este tpo de especes, que suelen se la mayoía, complca la estmacón de queza a pat de muestas, dada su baa pobabldad de apaece en una de ellas. Los algotmos de ecuento de especes en los que se tabaó al ntenta meoa la estmacón, de lo que se do cuenta en [] y [2], logaon alcanza meoas sgncatvas en la estmacón al tene en cuenta las dos caacteístcas de la bodvesdad: cantdad de especes y dstbucón de las msmas. La dea conductoa de tales pocedmentos ue el estmado desaollado po Tung [9] paa evalua la pobabldad de espece nueva al consdea una muesta de tamaño n. e constuyeon así pocedmentos de smulacón que agegaban ndvduos a las muestas, los que en algunos casos coespondían a especes smuladas nuevas y aumentaban po ende los valoes de queza. Esto tambén popoconaba una dstbucón smulada de especes que modelaba la dstbucón eal de la poblacón con las especes aas ahoa ncludas. Estos algotmos podueon estmacones sensblemente mayoes que las apotadas po los métodos CHAO y ACE [4] y convegeon a valoes más aceptables paa el cteo bológco. [] y [2]. n embago estos nuevos pocedmentos, que como es de páctca en data mnng nvestgan a pat de un gan volumen de datos obtendos, poseen la ncetdumbe popa de no pode se constastados con los paámetos estadístcos de una poblacón eal, pues ello es económca y tecnológcamente mposble habda cuenta de los mllones de mcoogansmos que pueden est en un detemnado medo. Ante esto cabe consdea vaas altenatvas concuentes que busquen atenua la nceteza. Una de ellas es la eploada en el pesente tabao y consste en tene en cuenta, al hace cece smuladamente la muesta, la cobetua supuesta que debe alcanzando especto de la dstbucón poblaconal. LÍNEA DE INVETIGACIÓN Y DEARROLLO En [4] Chao y Lee pesentan la dea de cobetua que aplcan paa deva el estmado conocdo como ACE. Tambén Chao y Bunge utlzan la msma dea en [0] paa constu un estmado del númeo de especes a pat de modelos de abundanca de tpo paamétco no pensados, en pncpo, paa comundades mcobanas como las que se analzan. Cada una de las especes estentes en el medo tene una pobabldad p de apacón. se 202 XIV Wokshop de Investgadoes en Cencas de la Computacón

3 WICC toma una muesta de tamaño, de oma tal que a cada espece le coespondan ndvduos de la msma, se dene la cobetua como C p I[ 0] dónde I es la uncón ndcado que vale s 0 y 0 en oto caso. El valo de es desconocdo y, en ealdad, en la epesón de C solo suman aquellas especes que eectvamente apaecen. Claamente 0 C C 0 es poque no ha apaecdo aún nnguna espece (caso solo teóco e mposble s se tomó una muesta) y s C es poque todas las especes estentes han apaecdo en la muesta. Además a pat de la muesta puede calculase el númeo de especes epesentadas po ndvduos I( ) suponendo una cantdad 0 que sea pecsamente el númeo de especes con 0 ndvduos. Obsévese que puede ocu que 0 paa vaos valoes de,..., Así y t dónde es la cantdad de especes halladas en la muesta que tene ndvduos y claamente esulta + 0 Además s es el númeo de sngletones en la muesta, es dec el númeo de especes (clustes) epesentadas po un solo ndvduo y es el tamaño muestal. egún eponen Chao y hen [] un estmado de la cobetua según la muesta tomada es C T La cantdad n sgletones T es la estmacón de Tung de que s se elge un -ésmo ndvduo cuando la muesta tene tamaño, éste sea de una espece nueva [9]. A su vez la pobabldad p de eleccón de un ndvduo de la -ésma espece se estma po p C Algotmo de Recuento de Especes con Cobetua (AREC) - Dada la muesta elegda, de tamaño n, y su agupamento en especes (clustes), se detemna el valo ncal del estmado de Tung T + k sendo n 2- e calcula la estmacón de cobetua medante C T + 3- Como la muesta actual tene una cobetua estmada Ĉ y cada espece que esultó un sngletón tene una ecuenca elatva en la muesta dada po, esta pobabldad puede se coegda po la cobetua estmada de la muesta de modo que la pobabldad de cada sngleton esultaá ( ) Como esto debe ocu paa los sngletones hallados se obtene una pobabldad de espece nueva coegda pns T + C ( ) 4- e elge un númeo aleatoo, tal que 0 y se pegunta s está en el ntevalo [ 0, p ns ] es así, se ealza + + y se va al paso 6. ocue lo contao se ealza + y se va al paso 5 5- e utlza la dstbucón de abundanca de la muesta, sn coeccón po cobetua, paa calcula la popocón de ndvduos que están en especes (clustes) de,2,..., ndvduos. Con estas popocones se detemna, po un soteo de acuedo a ellas, a que gupo de especes (clustes) ya conocdas petenece el nuevo ndvduo. Paa establece a que espece (cluste) especíca, de ente las de este 202 XIV Wokshop de Investgadoes en Cencas de la Computacón

4 WICC gupo, coesponde el nuevo ndvduo se ealza un nuevo soteo con pobabldad unome paa cada espece (cluste) del gupo. 6- ea el nuevo ndvduo de una nueva espece o no, la muesta tene ahoa un elemento más. e pegunta entonces s el pocedmento debe cotase poque se cumple el cteo elegdo paa ello, en cuyo caso la smulacón ha nalzado. el cteo de cote no se cumple, se asgna entonces +, se calcula la nueva dstbucón de abundanca, la nueva estmacón de Tung según T + y se epte desde el paso 2. El algotmo ue pogamado en lenguae R [2] REULTADO Y OBJETIVO e selecconaon dos conuntos de muestas a eecto de poba en ellas el desempeño de las estmacones de queza ealzadas po medo de las técncas dsponbles usualmente y de compaalas, luego, con los esultados obtendos a pat de las deas y meoas popuestas. El pme conunto coesponde al suelo de La al del Rey, egón lacuste ubcada en el Estado de Teas, EEUU. e obtuveon ocho muestas ntegadas po secuencas de ADN coespondentes al gen 6 RNA. Estas secuencas se encuentan almacenadas en NCBI hot Read Achve bao el númeo de acceso RX00858 [3], de donde ueon tomadas paa desaolla el tabao. El númeo total de bases químcas almacenadas es de El segundo conunto coesponde a suelo de la elva Amazónca, en Basl, con tes tpos de maneos. El númeo de acceso en NCBI hot Read Achve es ERX [2]. Está consttudo po ses muestas ntegadas po secuencas de ADN del gen 6 RNA cuyo tamaño y nomenclatua se muesta en la Tabla 2. El total del conunto es de bases. En las Tablas y 2 se pesentan los esultados alcanzados po el algotmo AREC y se lstan po muesta, paa compaacón, las especes obsevadas (clustes), los valoes alcanzados po el pocedmento ARE ctado en [2] y las estmacones estadístcas CHAO y ACE [4] Tabla Muesta N Ind Clustes CHAO ACE ARE AREC Tabla 2 Muesta E9 E20 E2 E22 E23 E24 N Ind Clustes CHAO ACE ARE AREC La estmacón ealzada po AREC es, en todos los casos, levemente neo a la calculada po ARE peo a pesa del suavzado mplícto esulta supeo a la meo estmacón estadístca (ACE) paa más de la mtadde las muestas analzadas. Las Fguas y 2 ehben esta elacón compaatva. Rqueza Estmada Fgua Desempeño de Estmadoes paa el Conunto RX Muestas CHAO ACE ARE AREC 202 XIV Wokshop de Investgadoes en Cencas de la Computacón

5 WICC Rqueza Estmada Fgua 2 Desempeño de Estmadoes paa el Conunto ERR E9 E20 E2 E22 E23 E24 Muestas CHAO ACE ARE AREC ben tanto el pocedmento ARE analzado en [2] como el AREC aquí detallado estman valoes supeoes de queza compatbles con la epectatva del bólogo y no obstante que ambas constuccones se basan en la estmacón de Tung de la pobabldad de espece nueva omalmente pobada en [9], cabe señala que, po las azones ya apuntadas, no se cuenta con poblacón eal alguna paa el testeo de los esultados. Po esa azón el tabao se oenta actualmente a constu una poblacón smulada paa evalua estadístcamente con mayo pecsón, el desempeño de estos métodos. FORMACION DE RECURO HUMANO En 20, Cstóbal anta Maía obtuvo el ttulo de Magste en Eplotacón de Datos y Descubmento del Conocmento que epde la Unvesdad de Buenos Aes, po el tabao desaollado en esta línea de nvestgacón. REFERENCIA -anta Maía, C Aplcacones de Data Mnng al Estudo de la Bodvesdad en Relevamentos Metagenómcos. Tess de Maestía. Facultad de Cencas Eactas y Natuales. UBA anta Maía, C y oa, M Estmacón de Bodvesdad po Data Mnng y mulacón. CACIC Roesch, L, Fulthope, R, Rva, A, Casella, G, Hadwn, A, Kent, A, Daoub,, Camago, F, Famee, W y Tplett, E. Pyosequencng enumeates and contasts sol mcobal dvesty. The IME Jounal., Chao, A y Lee,. Estmatng the Numbe o Classes va ample Coveage. Jounal o Amecan tatstcal Assocaton. Volume 87. Issue Dubn, R, Eddy,, Kogh, A y Mtchson, G. Bologcal equence Analyss. Cambdge Unvesty Pess chloss, P.D., et al., Intoducng mothu: Open-souce, platomndependent, communty-suppoted sotwae o descbng and compang mcobal communtes. Appl Envon Mcobol 75(23): wood, D. Olsen, G. Waddell, P. y Hlls, D. Molecula ystematcs. Chapte. Phylogenetc Ineence. econd edton. Edted by Davd M. Hlls, Cag Motz, and Babaa K. Mable u/phylp.html 9-Good, I. The Populaton Fequences o peces and Estmaton o Populaton Paametes. Bometka. Vol 40 N 3/ Chao, A. y Bunge, J. Estmatng the Numbe o peces n a tochastc Abundance Model. Bometcs 58 Pgs Chao, A y hen, T. Nonpaametc estmaton o hannon s nde o dvesty when thee ae unseen speces n sample. Envonmental and Ecologcal tatstcs 0, XIV Wokshop de Investgadoes en Cencas de la Computacón