Machine Learning for Bioinformatics
1
Topics in Bioinformatics
Sequence analysis
 Sequence alignment
 Structure and function prediction
 Gene finding
Structure analysis
 Protein structure comparison
 Protein structure prediction
 RNA structure modeling
Expression analysis
 Gene expression analysis
 Gene clustering
Pathway analysis
 Metabolic pathway
 Regulatory networks
2
Sequence Alignment
Bio-sequence의 유사성을 측정
 Sequence alignment는 bioinformatics의 여러 분
야에서 널리 사용되는 개념

3
Sequence Alignment의 응용

Database 검색
 Sequence가 유사한 gene은 기능도 유사할 확률이 높음
 새로 밝혀낸 gene이 어떤 기능을 하는지 알아내기 위해서 이미
기능이 밝혀진 gene들이 저장되어 있는 database에서 유사한
sequence를 갖는 gene을 검색할 필요가 있음

Genome sequencing
 Overlap이 있는 sequence 조각들로부터 긴 sequence를 재조합
할 때 sequence alignment를 이용함

Comparative genomics
 실험이 용이한 하등 동물의 정보를 이용하여 고등 동물의 gene
을 밝혀냄
 예: 인간과 쥐의 gene은 매우 유사함  실험을 통해 쥐의 gene
들의 기능을 밝힘  기능이 밝혀진 쥐의 gene의 서열과 유사
한 인간의 서열을 찾으면 이 부분이 같은 기능을 하는 인간의
gene일 가능성이 높음
4
Sequence Alignment의 응용

Gene finding
 인간과 쥐의 exon 부분의 유사도는 평균 85%이지만 intron 부
분의 평균 35% 정도임
 인간과 쥐의 genome sequence에서 유사도가 높은 부분을 찾으
면, 이 부분은 exon일 확률이 크다.

단백질의 기능, 구조 예측
 아미노산 sequence가 유사하면 단백질의 기능, 3차원 구조도
유사할 가능성이 높음
 단백질 아미노산 sequence를 새로 밝혀냈을 때, 유사한 아미노
산 sequence를 갖는 단백질을 찾아 단백질의 기능, 3차원 구조
를 예측할 수 있음.
5
Global Alignment



Global distance alignment problem: 두 sequence 사이의
distance의 최소값을 찾는 문제
Global similarity alignment problem: 두 sequence 사이의
similarity의 최대값을 찾는 문제
참고: edit distance
 하나의 string을 다른 string으로 바꾸는데 필요한 insertion,
deletion, substitution 연산의 수
str1: G C T G A T A T A G C T
Edit distance = 3
str2: G G G T G A T T A G C T
6
Local Alignment

Local alignment
 두 sequence 사이에 similarity가 가장 높은 부분을 찾는 문제


Multiple alignment
Sequence alignment algorithms
 Smith-Waterman algorithm
 FASTA
 BLAST
7
Genetic Algorithms:
Representation


For sequence assembly
The sorted order representation
1
Individual

2
3
4
5
1110 | 0010 | 1001 | 1011 | 0011 | 0011
Decimal Number
14
2
9
6
11
Sort Order
5
1
3
2
4
Intermedia te Layout
2
4
3
5
1
Final Layout
3
5
1
2
4
3
starting
position
Operators
 A simple swap operation as the mutation operator
 Permutation crossover
 Transposition operator
 Inversion operator
8
Structure and Function Prediction


Protein structure
prediction
Protein modeling
9
Hidden Markov Models for Protein Modeling
10
Gene Finding

Prokaryotes
One continuous stretch

Eukaryotes
Exon, intron
11
Coding and Non-coding Regions
DNA  RNA  Protein
DNA
Non-coding
region
AUG
TAA
Regulatory region
Non-coding
region
Protein coding region
DNA
GENE
promoter, start(stop) codon, splice site(donor site, acceptor site)
12
Multilayer Perceptrons
for Internal Exon Prediction: GRAIL
Coding potential value
GC Composition
bases
Length
Donor
Discrete
exon score
Acceptor
Intron vocabulary
1
score
0
sequence
13
Decision Trees for Gene Finding

MORGAN: A decision tree system for gene finding.
Coding and non-coding regions finding/exon finding
donor: donor
site score
by Markov Chains
yes
no
d+a: donor and
acceptor
d+a<1.3?
d+a<5.3?
site score
(6,560)
hex<16.3?
hex<0.1?
hex<-5.6?
hex: in-frame
hexamer freq.
(9,49)
(18,160)
(142,73) asym<4.6? (737,50) asym: Fickett’s
donor<0.0?
position assy(24,13) (1,5)
metry statistic
(5,21)
(23,16)
d+a<3.4?
14
Gene Expression Analysis
(Section 1-2)

Gene expression
 Transcription과 translation 과정을 통하여 gene이 protein으로 발
현되는 것
 Gene expression level은 gene의 기능에 대한 단서를 제공


DNA chip을 통해 세포의 gene expression level을 효율적
으로 알아낼 수 있음
Gene expression analysis 과정
 알려진 gene sequence를 이용하여 DNA chip을 제작
 Target 세포에서 mRNA를 추출하여 cDNA를 만들고 DNA chip
에 가하면 hybridization이 일어남
 Hybridization이 일어난 정도를 분석하면 gene expression 정도를
알 수 있음
15
Gene Expression Analysis

cDNA Microarray
16
17
18
Disease Diagnosis:
Bayesian Networks Based on Gene Expression Levels

Learning
Gene C
Processed
data
Data
Learning
algorithm
Gene B
Gene D
Gene A
Preprocessing
Target

Inference
Gene C
Gene D
Gene B
Gene A
Target
The values of Gene C and
Gene B are given.
Gene C
Gene D
Gene B
Gene A
Target
Belief propagation
Gene C
Gene D
Gene B
Gene A
Target
Probability for the target
is computed.
19
Disease Diagnosis:
Cancer Classification with DNA Microarray
20