Aprendizaje de clases de equivalencia de redes bayesianas basado en búsqueda competitiva de hormigas artificiales / Learning of bayesian networks equivalence classes based on competitive search of artificial ants

Este artículo propone un algoritmo de aprendizaje de clases de equivalencia de redes bayesianas basado en un algoritmo de búsqueda Greedy y modelos de búsqueda inspirados en hormigas competitivas. Específicamente para el algoritmo propuesto, se obtuvo una mejor aproximación entre la red predicha y la red bayesiana teórica de ejemplo ASIA, con respecto a algoritmos anteriores, para conjuntos de datos con 20 y 500 muestras. En promedio el algoritmo desarrollado obtuvo una aproximación con respecto a la distancia estructural de hamming de 10.7% y 5.3% menor comparada con la obtenida por los algoritmos Greedy y de colonia de hormigas (ACO-E) respectivamente para 20 muestras, y de hasta el 6.8% menor con respecto al algoritmo ACO-E para 500 muestras. Además, para 500 muestras el número de llamadas a la función de puntaje realizadas por el algoritmo propuesto fue menor que las realizadas por el algoritmo ACO-E en el 90% de las combinaciones, concluyendo que hubo una reducción de la complejidad computacional. Finalmente se presentan los resultados de la aplicación del algoritmo propuesto a un microarreglo obtenido por muestras de pacientes con Leucemia Mieloide Aguda (LMA) con 6 nuevas interacciones con dependencias estadísticas como potenciales interacciones biológicas con alta probabilidad.

This article proposes an algorithm for learning equivalence classes of Bayesian networks based on a Greed search algorithm and search patterns inspired by competitive ants. Specifically, for the proposed algorithm, we obtained a better approximation between the predicted network and the theoretical network ASIA with respect to previous algorithms for data sets with 20 and 500 samples. On average, the algorithm developed an approximation with respect to Structural Hamming Distance of 10.7% and 5.3% lower than Greedy algorithms and ACO-E respectively to 20 samples, and up to 6.8% lower tan ACO-E algorithm for 500 samples. Furthermore, for 500 samples the number of calls to the scoring function performed by the algorithm proposed was smaller than in the ACO-E algorithm in 90% of the combinations, concluding that there was a reduction in the computational complexity. Finally, we present the results of applying the proposed algorithm to a microarray samples obtained from patients with acute myeloid leukemia (AML) with 6 new interactions with statistical dependencies as potential biological interactions with high probability.

Balance de Flujos Metabólicos en Saccharomyces cerevisiae basado en Compartimentalización Intracelular / Metabolic Flows Balance in Saccharomyces cerevisiae based on Intracellular Compartmentalization

Una de las técnicas más utilizadas para la predicción de producción de bioproductos y distribución intracelular de flujos de microorganismos es el Análisis de Balance de Flujos - FBA por sus siglas en inglés. El FBA requiere de una función objetivo que represente el objetivo biológico del microorganismo estudiado. En este trabajo se propone un nuevo tipo de funciones objetivo basada en la combinación de objetivos de compartimentos físicos presentes en el microorganismo estudiado. Este tipo de funciones objetivo son examinadas junto con un modelo estequiométrico extraído de la reconstrucción iMM904 del microorganismo S. cerevisiae. Su desempeño se compara con la función objetivo más usada en la literatura, la maximización de biomasa, en condiciones experimentales anaeróbicas en cultivos continuos y aeróbicas en cultivos tipo lote. La función objetivo propuesta en este trabajo mejora las predicciones de crecimiento en un 10% y las predicciones de producción de etanol en un 75% respecto a las obtenidas por la función objetivo de maximización de biomasa, en condiciones anaeróbicas. En condiciones aeróbicas tipo lote la función objetivo propuesta mejora en un 98% las predicciones de crecimiento y en un 70% las predicciones de etanol con respecto a la función objetivo de biomasa.

Flux Balance Analysis - FBA - is one of the most used techniques in prediction of microorganism bioproducts. It requires an objective function that represents biological objective of the studied microorganism. This paper presents a new kind of objective functions based on individual physical compartment objetives in the studied microorganism. These kind of functions was tested with a stoichiometric model extracted from iMM904 reconstruction of S. cerevisiae and its performance is compared with the most used objective function in literature, growth maximization, in anaerobic and aerobic batch conditions. The presented objective function outperform growth predictions in 10% and ethanol predictions in 75% compared with obtained by maximization of growth objective function, in anaerobic conditions. In aerobic batch conditions the presented objective function outperforms in 98% growth preditions and 70% ethanol predictions compared with growth maximization.

Predicción a escala genómica de Componentes de Saccharomyces cerevisiae mediante Análisis de Balance de Flujos / Prediction of genome scale of Saccharomyces cerevisiae by flux balance analysis

El microorganismo Saccharomyces cerevisiae cuenta con gran número de modelos biológicos conocidos como reconstrucciones, las cuales pueden ser a escala genómica. De estas reconstrucciones a escala genómica provienen los modelos matemáticos, también llamados modelos estequiométricos. Una de las técnicas más usadas para estudiar estos modelos es el Análisis de Balance de Flujos (FBA). El proposito del FBA es predecir el crecimiento del microorganismo bajo estudio, y la producción y consumo de componentes como el etanol, CO2 glicerol, sucinato, acetato y piruvato. Para determinar si las predicciones obtenidas mediante FBA son únicas se utiliza la técnica de Análisis de Variabilidad Flujos (FVA). El presente trabajo muestra los resultados de aplicar el FBA a la reconstrucción reciente del microorganismo S. cerevisiae, la denominada iMM904 y los compara con un conjunto de datos experimentales presente en la literatura. Este trabajo también estudia la existencia de múltiples predicciones FBA utilizando la técnica FVA. Los resultados ilustran que es posible predecir el crecimiento del microorganimo S. cerevisiae, con errores entre el 11% y 28%; la producción de CO2, con errores entre el 0.3% y 4.5% y la producción de etanol, con errores entre el 11% y 13%.

Several biological models, named reconstructions, are used for the study of the S. cerevisiae microorganism. The reconstructions can be genomic scaled. Mathematical models are generated from the reconstructions and they are called stoichiometric models. The flux balance analysis (FBA) is one of the tools used for the analysis of these models. The FBA attempts to predict the evolution of the microorganism and the consumption and production of components like glucose, ethanol, glycerol, succinate, acetate and pyruvate. A Flux variability analysis (FVA) is used to determine the uniqueness of the FBA predictions. This paper shows the results of applying FBA to the iMM904 reconstruction of S. cerevisiae and compares them with experimental data from literature. The results in this paper show that it is possible to predict the evolution with errors between 11% and 28% ; the production of CO2 with errors between 0.3% and 4.5%; and the production of ethanol with errors between 11% and 13%, using FBA for the iMM904 model.