medigraphic.com

2011, Número 2

<< Anterior Siguiente >>

Rev Mex Ing Biomed 2011; 32 (2)


Identificación de secuencias funcionales utilizando memorias asociativas

Román-Godínez I, Garibay-Orijel C, Yáñez-Márquez C

Idioma: Español
Referencias bibliográficas: 21
Paginas: 109-118
Archivo PDF: 396.90 Kb.


RESUMEN

La identificación y discriminación de secuencias funcionales son de mucha ayuda en la investigación en el área biomédica. Identificación de promotores, identificación de zonas de empalme, búsqueda de genes y búsqueda de secuencias de ADN y aminoácidos en bases de datos son algunos ejemplos de aplicaciones en dicha área de investigación. Dada la naturaleza del problema, los algoritmos de reconocimiento de patrones son candidatos naturales para llevar a cabo las tareas antes mencionadas. En el presente trabajo se propone un nuevo modelo de memorias asociativas Alfa-Beta, basadas en el modelo original de memorias y el algoritmo global de alineamiento de secuencias desarrollado por Needleman-Wunsch, que permiten la recuperación de patrones alterados con respecto de los patrones de aprendizaje con alguna de las siguientes alteraciones: mutaciones, inserciones y borrados; alteraciones comunes en secuencias de DNA y aminoácidos. El presente modelo preserva una de las más importantes ventajas en memorias asociativas, la recuperación completa del conjunto fundamental. Para probar el desempeño del modelo en aplicaciones tanto de bioinformática como biomédica, se utilizaron dos bases de datos; una obtenida del repositorio de la Universidad de California en Irvine; sobre secuencias que contienen promotores y la segunda del genoma del organismo Variovorax paradoxus obtenida del repositorio de la NCBI.


REFERENCIAS (EN ESTE ARTÍCULO)

  1. Baldi P, Brunak S. Bioinformatics: the machine learning approach. MIT Press, (Cambridge) 2001.

  2. Von Heijne G. Sequence analysis in molecular biology: Treasure trove or trivial pursuit. Academic Press (London), 1987.

  3. Doolittle RF. Of URFs and ORFs: A primer on how to analyze derived amino acid sequences. University Science Books, Mill Valley (California) 1986.

  4. Wolfsberg TG, Wetterstrand KA, Guyer MS, Collins FS, Baxevanis AD. «A user’s guide to the human genome». Nature Genetics 2002; 32: 1-79.

  5. Setubal J, Meidanis J. Introduction to computational molecular biology. International Thomson Publishing (Boston, MA), 1999.

  6. Lesk AM. Introduction to Bioinformatics. Oxford University Press, 2008.

  7. Ray SS, Bandyopadhyay S, Mitra P, Pal SK. «Bioinformatics in neurocomputing framework». Circuits, Devices and Systems, IEE Proceedings 2005; 152(5): 556–564.

  8. Mitra S, Hayashi Y. «Bioinformatics with soft computing». Systems, man, and cybernetics, Part C. Applications and Reviews, IEEE Transactions 2006; 36(5): 616-635.

  9. Salzberg SL, Searls DB, Kasif S. Computational methods in molecular biology. Elsevier Science 1998.

  10. Zepeda HM, Perea-Araujo L, Zarate-Segura PB, Vázquez-Pérez JA, Miliar-García A, Garibay-Orijel C, Domínguez-López A, Badillo-Corona JA, López-Orduna E, García-González OP, Villasenor-Ruiz I, Ahued-Ortega A, Aguilar-Faisal L, Bravo J, Lara-Padilla E, García-Cavazos RJ. Identification of influenza: A pandemic (H1N1) 2009 variants during the first 2009 influenza outbreak in Mexico City. Journal of Clinical Virology: the Official Publication of the Pan American Society for Clinical Virology 2010; 48: 36-39.

  11. Zepeda-López HM, Perea-Araujo L, Miliar-García AA, Domínguez-López B, Xoconostle-Cazarez E, Lara-Padilla JA, Ramírez-Hernández E, Sevilla-Reyes ME, Orozco A, Ahued-Ortega I, Villasenor-Ruiz RJ, García-Cavazos, Teran LM. Inside the outbreak of the 2009 influenza A (H1N1) virus in Mexico. PloS One 2010; 5: e13256.

  12. Hassoun MH. Associative neural memories: Theory and implementation. Oxford University Press (New York), 1993.

  13. Ritter GX, Sussner P, Díaz-de-León JL. «Morphological Associative Memories». IEEE Transactions on Neural Networks 1998; 9(2): 281-293.

  14. Hopfield JJ. «Neural networks and physical systems with emergent collective computational abilities». Biophysics 1982; 79: 2554-2558.

  15. Yáñez-Márquez C. Associative memories based on order relations and binary operators. PhD Thesis, Center for Computing Research, National Polytechnic Institute, Mexico, D.F., 2002.

  16. Román-Godínez I, Yáñez-Márquez C. «Complete Recall on Alpha-Beta Heteroassociative Memory». Lecture Notes. Computer Science 2007; 4827: 193-202.

  17. Román-Godínez I, López-Yáñez I, Yáñez-Márquez C. «Classifying patterns in bioinformatics databases by using Alpha-Beta associative memories». In: Amandeep S, Sidhu-Tharam SD, editors. Biomedical Data and Applications in Studies in Computational Intelligence. Springer 2009; 187-210.

  18. Needleman SB, Wunsch CD. «A general method applicable to the search for similarities in the amino acid sequence of two proteins». Journal of Molecular Biology 1970; 48(3): 443-453.

  19. Henikoff S, Henikoff JG. «Amino acid substitution matrices from protein blocks». Proc Natl Acad Sci U SA 1992; 89(22): 10915-10919.

  20. Asuncion A, Newman DJ. UCI Machine Learning Repository, Irvine, CA: University of California, Department of Information and Computer Science. Available at: http://www.ics.uci.edu/~mlearn/MLRepository.html

  21. Brunak S, Engelbrecht J, Knudsen S. «Prediction of human mRNA donor and acceptor sites from the DNA sequence». J Mol Biol 1991; 220: 49-65.




2020     |     www.medigraphic.com