La recherche d’information en bioinformatique Par Marc Hallé et Éric Paquet Dans le cadre du cours IFT6255 Mercredi 9 avril 2003

Introduction aux problématiques Problème #1: L’information contenue dans les articles de biologie n’est pas stockée sous un format pratique à la recherche et à l’exploitation. Solution : Parcourir les banques d’articles pour extraire l’information jugée pertinente tel : les réactions entre les molécules et les informations particulières comme la localisation, les synonymes, la grosseur et la séquence de certaines molécules spécifiques. La recherche d'information en bioinformatique

…suite des problématiques Problème #2 : vu le grand nombre de protéines il serait intéressant de trouver un moyen de les regrouper selon certains critères pouvant nous aider à déterminer leurs fonctions. Solution : Nous pouvons utiliser la structure secondaire des protéines comme un mot en recherche d’information et utiliser un algorithme de « clustering ». La recherche d'information en bioinformatique

…suite des problématiques Problème #3 : Il y a beaucoup de nouvelles méthodes dans le domaine, mais il n’existe aucun test pour les comparer. Solution : Créer des concours (challenge) pour stimuler l’amélioration des techniques et donner une idée de l’état de l’art. La recherche d'information en bioinformatique

Introduction à l’extraction d’information Reconnaître le nom des molécules dans le texte (2 approches): Fukuda et al. (1998), extraire des noms de protéines et de gènes en se basant sur des critères comme les lettres majuscules, les terminaisons spéciales et les caractères numériques La création d’un corpus spécifique à la biologie Ohta et al. (2000), l’utilisation des « Hidden Markov Models » Collier et al. (2000) ou des classificateurs Bayesian Wilbur et al. (1999) améliorent les résultats de recherche. La recherche d'information en bioinformatique Référence : [1]

…suite introduction à l’extraction d’information Reconnaître les interactions entre les molécules: 2 méthodes principales : Utiliser la co-occurrences des molécules Benoit (2000) co-occurrence des noms de gènes Ding et al. (2002) analyse par rapport au résumé, à un paragraphe ou à une phrase(approche par section). Utiliser des modèles représentant des structures linguistiques spéciales décrivant les interactions entre les molécules Ng et Wong (1999) modèles, résumés Wong (2001) augmentation du nombre de modèles, résumés Yakushiji et al. (2001) analyse complète à l’aide d’une grammaire générale, résumés Friedman et al. (2001) GENIES, article complet Putejovsky et Castano (2002) mot ‘inhibit’ Leroy et Chen (2002) GeneScene : prépositions au lieu des verbes. Supposé être + performant. La recherche d'information en bioinformatique Référence : [1]

Description d’une méthode d’extraction d’information GENIES : But : découverte de « pathways » Partie de phrase à analyser : « Raf-1 active Mek-1 » Résultat de la partie « Tagger » : <protéine>Raf-1</protéine> active <protéine>Mek-1</protéine> Résultat de la partie « Pre-Processor » : [<protéine>Raf-1</protéine>, active, <protéine>Mek-1</protéine>] liste d’indexes Résultat des partie « Parser » et « error recovery » : [action, active, [protéine, Raf-1], [protéine, Mek-1]] La recherche d'information en bioinformatique Référence : [3]

Introduction au « clustering » et à la taxonomie en bioinformatique Le but est de trouver une façon de regrouper les protéines à l’aide de certains critères pour arriver à un classement où chacune des catégories représenteraient une famille de protéine. SCOP est un système expert utilisé comme outil de référence dans le cadre de cette étude. La recherche d'information en bioinformatique

Petite base de biologie Structure primaire : Séquence de lettres représentant des acide aminés. Structure secondaire : regroupement de séquence d’acides aminés (lettres) formant des groupes spécifique appelés hélice alpha, brin bêta et boucle oméga qui sont notés a , b , W respectivement. Structure tertiaire et quaternaire : Repliement et organisation en structure tridimensionnelle, forme finale de la protéine (pour les fins du présent rapport). Analogie avec la recherche d’information : Recherche information Structure des protéines Lettre Éléments structure primaire (acides aminés) Mot / Terme Éléments structure secondaire (a, b, W ) Section / Document Structure tertiaire / protéine La recherche d'information en bioinformatique

Éléments de structures La recherche d'information en bioinformatique Référence : [4]

Description des méthodes utilisées Même que celles de la recherche d’information : Définition d’un ensemble d’élément à traiter : protéines provenant de la PDB-Select assurant une bonne couverture Calcul de similarité : pattern matching avec wild card Clustering en fonction des similarités calculées : méthode itérative avec matrice de similarité Utilisation d’une métrique pour calculer la performance du système : comparaison avec des systèmes comme VAST et SCOP La recherche d'information en bioinformatique

Calcul de similarité entre chaque protéine La similarité Î [0,1] est calculée entre chacune “ ss-string ” des protéines de l ’échantillon de la façon suivante: Soit deux éléments de structure secondaire a,b et L(a), L(b) leurs longueurs respectives. Similarité entre: Valeur a,b type identique min(L(a), L(b)) a,b tel que a ou b est une loop 0.5 min(L(a), L(b)) a,b type différent (hélice, strand) 0 La valeur est ensuite normalisée en fonction de la longueur moyennes des ss-string. La recherche d'information en bioinformatique

La recherche d'information en bioinformatique Clustering Afin de faire un regroupement (clustering) des protéines , l’on utilise une matrice de similarité contenant la “distance” entres chaque paire de protéine. - La “distance” d = [1- valeur d'alignement] - L’arbre est ensuite construit suivant un Algorithme de type WPG (weighted pair group). La recherche d'information en bioinformatique

La recherche d'information en bioinformatique Exemple de résultats La recherche d'information en bioinformatique Référence : [2]

SCOP comme outils de référence Une des principales conclusions de la comparaison avec SCOP est la similitude de “Clustering ” entre notre arbre et le regroupement en famille par SCOP Évaluation de performance: « Clustering score function » La recherche d'information en bioinformatique

La recherche d'information en bioinformatique Clustering-score function (métrique pour calculer la performance du système) td(a,b) = distance topologique entre a et b Clustering-score {A} = ( 2* å td(a, b) ) / (n(n-1) ) a,b Î {A} La recherche d'information en bioinformatique

Cluster-scoring function exemple Pour une famille SCOP A ={ 11,12,13,14 } -Pour chaque feuilles de l’arbre Î A on assigne un poids de 1 et 0 sinon. -Ensuite on calcul de façon récursive: td(a,b) = (Pa + Pb )/ 2 Exemple : Score{11,12,13,14} = ((3 * 0) + ( 3 * 1)) / 6 = 0.5 La recherche d'information en bioinformatique

Investigation possible Actuellement les caractéristiques de comparaison sont prédéfinies. Il serait intéressant de vérifier s’il est possible d’extraire des caractéristiques de façon automatique (extraction de feature). La recherche d'information en bioinformatique

Besoin de « challenge » pour évaluer les méthodes Nécessite des données pour l’entraînement (données + réponses) Nécessite des données secrètes pour le test (données + réponses) Nécessite un mode d’évaluation des méthodes La recherche d'information en bioinformatique

Exemple de « challenge » dans le domaine de l’extraction d’information 2 niveaux d’évaluation : Niveau du texte lui-même Niveau de la banque de textes Texte + liste de faits devant être extraits Recall(E) : TP(E)/[TP(E) + FN(E)] Precision(E) : TP(E)/[TP(E) + FP(E)] Façon différente de calculer les TP, FN et FP selon le niveau de l’évaluation Classification selon une variation de SMC (simple matching coefficient) n’utilisant pas les TN : SMC*(E) = TP(E)/[TP(E) + FN(E) + FP(E)] Définition d’une grammaire de définition des structures à évaluer La recherche d'information en bioinformatique

La recherche d'information en bioinformatique Exemple de grammaire La recherche d'information en bioinformatique

La recherche d'information en bioinformatique Fin Questions? La recherche d'information en bioinformatique

La recherche d'information en bioinformatique Références Lynette Hirschman, Jong C. Park, Junichi Tsujii, Limsoon Wong and Cathy H. Wu. Accomplishments and challenges in literature data mining for biology. BIOINFORMATICS REVIEW Vol. 18 no. 12 2002 Pages 1553-1561. Teresa Przytycka, Rajeev Arora and George D.Rose , A protein taxonomy based on secondary structure, NATURE STRUCTURAL BIOLOGY - volume 6 number 7 – july 1999 , Pages 672-682 Carol Friedman, Pauline Kra, Hong Yu, Michael Krauthammer and Andrey Rzhetsky. GENIES : a natural language processing system for the extraction of molecular pathways from journal articles. BIOINFORMATICS Vol. 17 Suppl. 1 2002 Pages S74-S82. Donald Voet & Judith G.Voet, Biochimie, BeBoeck-Université page 106. La recherche d'information en bioinformatique