MCMC genome rearrangement SE Aktuelle Themen der BioInformatik André Brück (2579542)

MCMC genome rearrangement

SE Aktuelle Themen der BioInformatikAndré Brück (2579542)

04/26/23 André Brück - MCMC genome rearrangement

2/80

Gliederung

• Einführung• Grundlagen

• Miklós – „MCMC genome rearrangement“• Ausblick

• Fragen / Diskussion


3/80

EinführungWorum geht es?

Abschätzung evolutionärer Abstände

mittels Zählen der benötigten Mutationen

•„reversals“

•„signed permutations“


4/80

Einführung

• Wie viele Mutationen benötigt man, um aus einem Grünkohl eine Mohrrübe zu machen ???

• ...und wie viele um von der Mitochondrien – DNA eines Wurmes zu der humanen zu kommen ???


5/80

Gliederung





6/80

Grundlagen• Permutation

1,5,3,4,2

• vorzeichen-behaftete Permutation

+1,-5,+3,+4,-2

Jede Zahl steht für eine bei beiden Individuen gleiche Abfolge der DNA-

Moleküle


7/80

Grundlagen

Was ist ein „reversal“?

„Eine Inversion der Abfolge der Nukleotide einer DNA-Sequenz“

ACGATA -> ATAGCA

+1 -> -1


8/80

Grundlagen

76315824 16847325

76315824

13675824

13675284

13674825

16374825

5 reversals


9/80

Grundlagen 7


10/80

Grundlagen 26


11/80

Grundlagen„Reality – Desire – Diagram“ (+3,-2,-1,+4,-5)

Definieren wir als:


12/80

Grundlagen„Reality-Diagram“ =

tatsächliches Vorkommen

„Desire-Diagram“ = „so soll´s sein“ bzw. „so war es einmal“


13/80

Grundlagen

Koventionen:– „Reality“ wird auf den Kreis gezeichnet

(Lit.: „black edges“)

– „Desire“ als Kanten im Kreis(Lit.: „gray edges“)

– Pfeilrichtung immer - +


14/80

Grundlagen

„Reality – Desire – Diagram“ für Beispiel R=(+3,-2,-1,+4,-5) und D=(+1,+2,+3,+4,+5)


15/80

Grundlagen

„Reality – Desire - Diagram“


16/80

Grundlagen„breakpoint – graph“

eine Abschätzung, wie viele „reversals“ mindestens benötigt werden

Grobe untere Schranke


17/80

Grundlagen

Was ist ein „breakpoint“ ?Definition:

Wenn (x,y) in einem Graphen α vorliegt, in einem Graphen β aber weder (x,y) noch (-y,-x) vorkommen, so bezeichnet man (x,y) als „breakpoint“ von α in Bezug auf β.

Beispiel:(+3,-2,-1,+4,-5) (+1,+2,+3,+4,+5)(+3,-2) (-1,+4) sind „breakpoints“, (-2,-1) ist KEIN „breakpoint“


18/80

Grundlagen

Warum sind „breakpoints“ wichtig, bzw. als Abschätzung geeignet?

Intuitiv: Wenn (x,y) ein „breakpoint“ ist, dann muss es eine Veränderung von α gegeben haben, um zu β zu kommen.

Anzahl der „breakpoints“ ≈ Anzahl der „reversals“

bβ(α) := # “breakpoints” von α in Bezug auf β


19/80

Grundlagen

Beispiel: (3, 5, 8, 6, 4, 7, 9, 2, 1, 10, 11)


20/80

Grundlagen

Genauere untere Schranke:(0,2,3,1,4,6,5,7,8) (0,1,2,3,4,5,6,7,8)

Ein „reversal“ kann maximal 2 „breakpoints“ löschen

(0,2,3,1,4,6,5,7,8) (0,2,3,1,4,5,6,7,8)

bβ(α) = 5 bβ(α) = 3dβ(α) ≥ bβ(α)/2


21/80

Grundlagen

Kurze Zwischenzusammenfassung:

• „signed permutations“• „Reality-Desire-Diagrams“• „breakpoint-graph“


22/80

Grundlagen

Was passiert, wenn ein „reversal“ im RD-

Diagramm vorkommt?


23/80

Grundlagen

„Hürden“ und „Festungen“ (Hannenhalli & Pevzner 95)


24/80

Grundlagen


25/80

Grundlagen„Interleaving graph“ „RD-diagram“


26/80

Grundlagen

Komponenten• Interleaving-Graph

gibt Komponenten zurück

• F ist „good“• A/E ist „bad“• B/C/D ist „good“


27/80

Grundlagen

Definitionen nach Hannenhalli & Pevzner

Hurdle– Simple Hurdle:

» Wenn durch diese Hürde nicht zwei „schlechte“ Komponenten getrennt werden

– Super Hurdle:» Wenn bei einem reversal aus einer „guten“

Komponente eine Hürde wird

– Non-Hurdle:» Wenn bei einem reversal nur „gute“ Kreise entstehen


28/80

Grundlagen

Definitionen(2)

FortressWenn das Diagramm

aus einer ungeraden Anzahl von Super-Hürden besteht.(hier 3 SH)


29/80

Grundlagen

• A,C,D,F sind Hürden• A,C,D „simple H.“• F „super H.“

Methode:Man nimmt „formal“

einen Nachbarn raus.Definitionen ergeben

Klassifizierung


30/80

Grundlagen

L +3 -3 +4 -4 -1 +1 -2 2 6 -6 5 -5 R

L -1 +1 -2 +2 -3 +3 -4 +4 -5 +5 -6 +6 R

(-3,-4,+1,+2,-6,-5)


31/80

GrundlagenL

-3

+3

+4

-6

-5

+5

R

-4

+2

+6

-2+1

-1

Ziel


32/80

Grundlagen

-3

+3

+5

+6

-6

+2

-5

-2+1

-1

+4

-4

L R


33/80

Grundlagen

-3

+3

+5

+6

-6

+4

-5

-4-1

+1

+2

-2

L R


34/80

Grundlagen

+1

-1+6

+4

-5

-4+3

-3

-2

+2

RL

-6

+5

3 Reversals


35/80

Grundlagen

Reversal-TypenKind I: („safe reversal“)Divergente „reality edges“

werden invertiert.

Kind II: („Hurdle Merging“)

Zwei gegenüberliegende Hürden , falls die Anzahl der Hürden geradegerade ist.


36/80

GrundlagenKind III: („Hurdle Cutting“)Zwei gegenüberliegende

Hürden, falls die Anzahl der Hürden ungeradeungerade ist.

Diese 3 Möglichkeiten decken alles ab:

- Gute Komponente- Schlechte Komponente

- Gerade Anzahl- Ungerade Anzahl


37/80

GrundlagenAlgorithmus-SkizzeAlgorithmus-Skizzerepeat

if es gibt eine gute Komponente in RDβ(α)führe Kind I reversal durchelse if gerade Anzahl Hürdenführe Kind II reversal durchelse if ungerade Anzahl Hürden und min 1 Simple H.führe Kind III reversal durch else [fortress]Kind II reversal mit beliebigen Hürden

until α = β.


38/80

Grundlagen

Laufzeit-Verhalten

Erstellen von RD O(n)Interleaving graph O(n2)Komponenten O(n)

--------------RDβ(α)(dynamisch) O(n2)


39/80

Grundlagen

Laufzeit-Verhalten

Für einen reversal (2 edges) O(n2)Prüfen ob schlechte Komp.(RD) O(n2)Maximal n-mal O(n)

GesamtlaufzeitGesamtlaufzeit O(nO(n55))


40/80

Grundlagen

Kurze Zwischenzusammenfassung:

• Interleaving Graph• Hürden & Festungen• Algorithmus mit O(n5)


41/80

Gliederung





42/80

Miklós – „MCMC genome rearrangement“

• University of Oxford, 2003.• Greift mehrere Essays auf, die er

einfließen lässt:– Hannenhalli & Pevzner, 1999.– Blanchette et al., 1996.– Eriksen et al., 2001.– Geman & Geman, 1984.


43/80


Miklós teilt Mutationen in 3 Kategorien ein:– Inversions:

• Ein Teilabschnitt wird nur umgedreht– Transposition

• Ein Teilabschnitt wird an einer anderen Stelle lokalisiert

– Inverted Transposition• Inversion+Transposition


44/80



45/80


Zur Erinnerung:– 1 (inverted) Transposition kann mehrere

inversions ersetzen

– Beispiel vom Anfang

76315824 16847325

Inverted transposition 31567824


46/80


• Wie werden die Mutationen gewichtet?– In den meisten existierenden Algorithmen

werden alle Mutationen gleichgewichtet.(Gu et al, Kececioglu & Sankoff, etc)

– (fast) alle bisherigen Veröffentlichungen / Untersuchungen beruhen nur auf einem Typ.

(inversions: Larget et al, Sankoff & Blanchette)– Miklós führt stochastische Methode zur

Gewichtung ein


47/80


Stochastisches ModellMiklós nimmt eine

Gleichverteilung der Mutationstypen an (Poisson-Verteilung)

Hierbei wird λ als Rate α·t für inversions und β·t für inv. Transpos.

dargestellt.


48/80


Es gibt maximal...

2

1n

verschiedene Inversionen und

3

1n

verschiedene Transpositionen.

Inv. Transpositionen werden definiert als:n : Länge der Permutation

3

12n


49/80


• l ist die Summe aller Positionen an denen i Inversionen stattgefunden haben.

• m ist die Summe aller Positionen an denen j Transpositionen oder invertierte Transpositionen stattgefunden haben.

• li und mj sind die Summen aller Positionen, an denen Inversionen oder Transpositionen stattgefunden haben.


50/80


Da die Ereignisse als unabhängig angenommen werden, kann die Wahrscheinlichkeit der Ereignisse für einen Datensatz so dargestellt werden.

(multiplizieren der Einzelwahrscheinl.)

t t


51/80


Permutationen sind nicht kommutativ

Daraus ergibt sich die Wahrscheinlichkeit für einen Pfad

[(8) durch (9) geteilt]


52/80


• MCs likelihood wird mit dem Satz von Bayes bestimmt, wobei G1 und G2 zwei Genome sind, α und β die Parameter.

• Das t kann weggelassen werden, da Zeit und Rate nicht getrennt werden können.


53/80


ist die Wahrscheinlichkeit, dass G2 aus G1 entstanden ist, mit den Parametern α und β, wobei Traj(G1, G2) die Menge aller möglichen Pfade von G1 zu G2 angibt.

Dies kann so nicht berechnet werden!!!

,,| 12 GGP


54/80


Aber: interessiert uns auch nicht ;-)

Was wir wollen: Abschätzung α und βWir wollen nur die Rate der Mutationen,

bzw. die Anzahlen der verschiedenen Mutationen in Bezug auf einen Datensatz.


55/80


Zurück zu MCMC:Per Definition ist die „posterior distribution“ eines

MCMC Netzwerkes:


56/80


Dies wird mit den Formeln (10)-(12) eingesetzt zu:


57/80


wobei....

P(α) und P(β) sind die Eingangs-wahrscheinlichkeiten der Parameter α und β.

(Dichtefunktion über zwei Parameter)


58/80


Nun kann P(α, β |G1,G2) aus P( t, α, β) gesampelt werden.

Mittels einer niedrigen Eingangs-wahrscheinlichkeit für α und β und einem sehr hohem cut-off wird der Einfluss der a priori Verteilung minimiert.


59/80


Wir betrachten nur die folgende Näherung:


60/80


Wie bei Markoff-Ketten üblich wird eine Funktion erstellt, die uns angibt, ob wir den Pfad annehmen oder verwerfen:

Diese Berechnung heißt „Metropolis-Hastings ratio“


61/80


Grundidee für die „proposal distribution“:

1. Eine Mutation, die die Anzahl der Kreise erhöht, bekommt eine hohe Wahrscheinlichkeit

=> „Der Weg zum Ziel“


62/80


2. Eine Mutation, die die Anzahl der Kreise nicht verändert, bekommt eine niedrigere Wahrscheinlichkeit

=> „Die Natur nimmt „normalerweise“ den kürzesten Weg“


63/80


Folge daraus...

3. Eine Mutation, die die Anzahl der Kreise vermindert, bekommt die niedrigste Wahrscheinlichkeit.


64/80


Versuchen wir den Bogen zu den Grundlagen zu schlagen :

• Inversions / Transpositions verändern die „black edges“ => Reality-Linien (RD) (und ziehen die D-Edges mit)

• „Gut ist, was Kreise schafft...“• Hannenhalli & Pevzner:

– Ein reversal kann maximal 2 breakpoints löschen– Ein reversal kann maximal 1 Kreis neu erzeugen


65/80


Wie wird mit diesen Vorgaben ein neuer Pfad vorhergesagt?

1. Fange am Start an (Komponentenweise)2. Laufe den Weg auf den Desire-Edges durch den

Graphen und markiere die Kanten entsprechend ihrer Orientierung mit +1 oder -1

3. Wenn man mindestens 3 R-Edges überspannt, prüfe ob eine Transposition vorkommen kann und notiere alle Möglichkeiten.

4. Berechne Anzahl der Inversionen


66/80


Was wissen wir jetzt?

• Maximale Anzahl der Inversionen• Alle möglichen Transpositionen• Anzahl der Kreise / Komponenten


67/80


Jetzt kommt die „proposal distribution“ ins Spiel:

• Gibt es einen safe-Reversal: hohe Wahrscheinlichkeit

• Gibt es nicht: Gibt es eine Möglichkeit, safe-Reversals zu erzeugen?

• (Ist es schon die Ziel-Permutation?)• Alles andere: niedrige Wahrscheinlichkeiten


68/80


Die „proposal-distribution“ wurde von Miklós empirisch bestimmt.


69/80


Kurze Wiederholung:• Miklós nutzt die MCMC Methode um die Raten α

und β zu berechnen• Dazu hat er eine Verteilung empirisch bestimmt

(proposal distribution)• Sein Algorithmus läuft über alle Reality-Kanten

des RD-Diagrammes und berechnet in jedem Zyklus alle möglichen Mutationen und gewichtet sie mittels seiner Wahrscheinlichkeitswerte.


70/80


Ergebnis auf simulierten Daten:

• 5 inversions / 5 Transpositions / n = 50• Ein run (Sample / MIS) benötigte ca. 3

Stunden auf 1.5 GHz Rechner.• In allen Fällen wurden mehr Mutationen

vorhergesagt, wie simuliert.


71/80


Auffällig ist, dass wenn keine Inversionen / Transpositionen vorhanden waren, trotzdem welche gefunden wurden

(„Problem mit Wahrscheinlichkeiten“)


72/80


Test auf reelen Daten gegen DERANGE2Humane / Drosophila mitochondrialer DNADERANGE2

– unterteilt nur in gute / schlechte Mutation -> manche Pfade können nie begangen werden

– Blanchette et al. (1996)


73/80


Miklós• 6.76 ± 3.32

Inversionen• 6.80 ± 1.12

TranspositionenMit angepassten Gewichten:

2 Inversions + 9 Transpositions = 11 Mutationen

DERANGE2• Findet minimal 12

Mutationen, davon 3 Transpositionen

• Bei leichter Veränderung der Gewichte 16 / 3


74/80


Bewertung von Miklós MCMC Ansatz:Sein Algorithmus kann bessere Werte

erzielen, wenn die proposal distribution sinnvoll gewählt ist.

Er findet mehr Transpositionen und weniger Inversionen als vorhanden sind.


75/80


• Zwei Zitate:

– „a better implementation of the approach might improve both the theoretical time complexity and the running time in practice“

– „The proposed auxiliary distribution in the MIS step is far from the optimal“


76/80

Gliederung





77/80

Ausblick

Weiterentwicklung von Algorithmus mit besserer Laufzeit

Bessere „proposal distribution“, die nicht empirisch bestimmt ist, sondern die den Daten (allen Daten) mehr entspricht

=> Bessere & schnellere Ergebnisse


78/80

Gliederung





79/80

Fragen / Diskussion

Danke für Eure Aufmerksamkeit !!!

MCMC genome rearrangement SE Aktuelle Themen der BioInformatik André Brück (2579542)

Documents

Transcript of MCMC genome rearrangement SE Aktuelle Themen der BioInformatik André Brück (2579542)