Ανακάλυψη Γνώσης από Βιολογικές Αλληλουχίες

Transcript

1 ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΣΧΟΛΗ ΘΕΤΙΚΩΝ ΕΠΙΣΤΗΜΩΝ - ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ Ανακάλυψη Γνώσης από Βιολογικές Αλληλουχίες ιπλωµατική Εργασία του Ραφαηλίδη Λεωνίδα Αιµίλιου (ΑΕΜ 949) Επιβλέπων Καθηγητής: ΒΛΑΧΑΒΑΣ ΙΩΑΝΝΗΣ ΘΕΣΣΑΛΟΝΙΚΗ ΙΟΥΛΙΟΣ 2007

2

3 Πρόλογος Αντικείµενο της παρούσας εργασίας είναι η µελέτη του προβλήµατος της εύρεσης λειτουργικών περιοχών σε αλληλουχίες, καθώς και η εφαρµογή τεχνικών ανακάλυψης της γνώσης σε σύνολο βιολογικών αλληλουχιών και η καταγραφή σχολιασµός των αποτελεσµάτων. Η εκπόνηση της εργασίας έγινε στο εργαστήριο Γλωσσών Προγραµµατισµού και Τεχνολογίας Λογισµικού (Programming Languages and Software Engineering Laboratory PLaSE Laboratory ) του Τµήµατος Πληροφορικής του Α.Π.Θ., σε συνεργασία µε την οµάδα Λογικού Προγραµµατισµού και Ευφυών Συστηµάτων (Logic Programming and Intelligent Systems Group-LPIS Group) Σε αυτό το σηµείο θα ήθελα να ευχαριστήσω όσους βοήθησαν στη συγγραφή της παρούσας εργασίας. Πρώτα από όλους ευχαριστώ τον επιβλέποντα καθηγητή µου Ιωάννη Βλαχάβα για την εµπιστοσύνη που µου έδειξε, αναθέτοντας µου την εκπόνηση αυτής της εργασίας, καθώς και για την επιστηµονική καθοδήγηση και βοήθεια που µου παρείχε σε όλη τη διάρκεια εκπόνησης της παρούσας εργασίας. Επίσης θερµά ευχαριστώ τους υποψήφιους διδάκτορες Μπερµπερίδη Χρήστο και Τζανή Γιώργο, που µε τα εποικοδοµητικά σχόλια τις πολύτιµες συµβουλές, την καθοδήγηση και την φιλική συνεργασία τους βοήθησαν στην ολοκλήρωση της παρούσας εργασίας Ραφαηλίδης Λεωνίδας Αιµίλιος i-

4

5 Περιεχόµενα ΠΡΟΛΟΓΟΣ...I ΠΕΡΙΕΧΟΜΕΝΑ...III 1 ΕΙΣΑΓΩΓΗ ΑΝΑΚΑΛΥΨΗ ΓΝΩΣΗΣ ΣΕ ΒΑΣΕΙΣ Ε ΟΜΕΝΩΝ ΕΠΑΓΩΓΙΚΗ ΚΑΙ ΜΗΧΑΝΙΚΗ ΜΑΘΗΣΗ ΚΑΤΗΓΟΡΙΕΣ ΜΕΘΟ ΩΝ ΜΗΧΑΝΙΚΗΣ ΜΑΘΗΣΗΣ Μάθηση Συνάρτησης... 4 Εµπειρική Σχέση Μεταβλητών... 5 Κατηγοριοποίηση Εξόρυξη Κανόνων Συσχέτισης (Association Rule Mining) Οµαδοποίηση Ενισχυτική Μάθηση (Reinforcement Learning) ΠΡΟΤΥΠΑ ΠΛΗΡΟΦΟΡΗΣΗΣ ΚΑΙ ΜΟΝΤΕΛΑ ΠΡΟΒΛΕΨΗΣ ΣΤΑ ΙΑ ΑΝΑΚΑΛΥΨΗΣ ΓΝΩΣΗΣ ΣΕ Β Επιλογή εδοµένων Προεπεξεργασία εδοµένων Μετασχηµατισµός εδοµένων Επιλογή και Εφαρµογή Αλγορίθµου Εξόρυξης Ερµηνεία Αξιολόγηση ΠΡΟΒΛΗΜΑΤΑ ΣΤΗΝ ΑΝΑΚΑΛΥΨΗ ΓΝΩΣΗΣ ΚΑΙ ΕΙ ΙΚΑ ΘΕΜΑΤΑ Ακατάλληλα δεδοµένα Ελλιπή δεδοµένα Θόρυβος Αραιά εδοµένα Μέγεθος Βάσης εδοµένων είγµα Πρόσφατα εδοµένα iii-

6 2.5.8 Σύνθετοι τύποι εδοµένων Κατανεµηµένα εδοµένα ΜΟΡΙΑΚΗ ΒΙΟΛΟΓΙΑ ΒΙΟΠΛΗΡΟΦΟΡΙΚΗ ΒΙΟΜΟΡΙΑ Μικρά Μόρια Πρωτεΐνες DNA RNA ΓΟΝΙ ΙΑ ΚΑΙ ΓΟΝΙ ΙΩΜΑ ΓΟΝΙ ΙΑΚΗ ΈΚΦΡΑΣΗ ΓΕΝΩΜΙΚΗ Εύρεση Αλληλουχίας DNA Εντοπισµός Γονιδίων Συγκριτική Γενωµική Λειτουργική Γενωµική ΠΡΩΤΕΩΜΙΚΗ ΕΦΑΡΜΟΓΕΣ ΚΑΙ ΠΡΟΚΛΗΣΕΙΣ ΤΗΣ ΒΙΟΠΛΗΡΟΦΟΡΙΚΗΣ PRATT ΕΥΡΕΣΗ ΣΥΝΤΗΡΗΤΙΚΩΝ ΠΡΟΤΥΠΩΝ ΜΕ ΤΗΝ ΧΡΗΣΗ ΓΡΑΦΩΝ ΠΡΟΤΥΠΩΝ ΟΡΙΣΜΟΙ Ορίζοντας µια κλάση προτύπων Γενίκευση προτύπων Συνάρτηση αξιολόγησης προτύπων Γράφοι προτύπων ΚΑΤΑΣΚΕΥΗ ΓΡΑΦΩΝ ΠΡΟΤΥΠΩΝ ΚΑΙ ΧΡΗΣΗ ΤΟΥΣ ΓΙΑ ΤΗΝ ΑΝΑΖΗΤΗΣΗ ΠΡΟΤΥΠΩΝ Κατασκευή γράφου προτύπων από µία ακολουθία Κατασκευή ενός γράφου προτύπων από µια πολλαπλή κατάταξη Απλή αναζήτηση σε βάθος µε την χρήση του γράφου ΠΕΡΙΟΡΙΖΟΝΤΑΣ ΤΗΝ ΑΝΑΖΗΤΗΣΗ Περιορισµένη περίπτωση χωρίς ελαστικότητα και ασάφεια iv-

7 4.3.2 Επιτρέποντας ασάφεια, αλλά όχι ευελιξία Χρήση ευριστικής στρατηγικής για τον περιορισµό της αναζήτησης ΧΡΗΣΗ BRANCH-AND-BOUND ΓΙΑ ΤΟ ΚΛΑ ΕΜΑ ΤΟΥ ΕΝΤΡΟΥ ΑΝΑΖΗΤΗΣΗΣ Χρήση δυναµικού προγραµµατισµού για τον υπολογισµό των πάνω ορίων Χρήση αποτελεσµάτων ως τώρα για τον υπολογισµό άνω ορίων 44 5 ΠΕΡΙΓΡΑΦΗ ΛΥΣΗ ΤΟΥ ΠΡΟΒΛΗΜΑΤΟΣ ΠΑΡΟΥΣΙΑΣΗ ΤΟΥ ΠΡΟΒΛΗΜΑΤΟΣ ΠΡΟΤΕΙΝΟΜΕΝΗ ΛΥΣΗ ΕΙΣΑΓΩΓΗ Ε ΟΜΕΝΩΝ ΧΡΗΣΤΗ ΚΑΙ ΠΡΟΕΠΕΞΕΡΓΑΣΙΑ ΗΜΙΟΥΡΓΙΑ ΤΟΥ ΣΥΝΟΛΟΥ ΤΩΝ ΑΡΧΕΙΩΝ ΓΙΑ CROSS-VALIDATION ηµιουργία του συνόλου αρχείων για cross-validation ΗΜΙΟΥΡΓΙΑ ΠΡΟΤΥΠΩΝ CROSS-VALIDATION ΣΥΜΠΕΡΑΣΜΑΤΑ ΠΑΡΑΡΤΗΜΑ ΒΙΒΛΙΟΓΡΑΦΙΑ v-

8

9 1 Εισαγωγή Τα δεδοµένα συλλέγονται συνεχώς µε όλο και µεγαλύτερο ρυθµό. Η συµβολή των νέων τεχνολογιών για την συγκέντρωση αποθήκευση και ανάλυση των δεδοµένων αυτών είναι καθοριστική. Σκοπός είναι η εύρεση της γνώσης που µπορεί να κρύβεται µέσα στα δεδοµένα αυτά. Για την ανάλυση των δεδοµένων αποδοτικά χρησιµοποιούνται τεχνικές ανακάλυψής γνώσης. Η Βιολογία είναι µια από τις πολλές περιοχές που χρειάζονται την εφαρµογή τεχνικών ανακάλυψης γνώσης. Σκοπός της Βιολογίας είναι η µελέτη του φαινοµένου της ζωής. Μεγάλο µέρος των προσπαθειών κταναλώνεται στη µελέτη των βιολογικών µορίων όπως του DNA, RNA και πρωτεϊνών, τα οποία είναι απαραίτητα για την ύπαρξη των ζωντανών οργανισµών. Η µελέτη αυτών των βιολογικών µακροµορίων είναι αντικείµενο της Μοριακής Βιολογίας. Τα µόρια αυτά αποτελούνται από µικρότερα µόρια τα οποία ενωµένα µεταξύ τους δηµιουργούν αλληλουχίες. Οι αλληλουχίες αυτές αποτελούν ένα µεγάλο µέρος των διαθέσιµων βιολογικών δεδοµένων που απαιτούν την χρήση υπολογιστικών µεθόδων για την ανάλυση τους. Ένα από τα κρισιµότερα προβλήµατα είναι ο εντοπισµός των γονιδίων στις αλληλουχίες αυτές. Ο προσδιορισµός των γονιδίων ωστόσο απαιτεί τον ακριβή προσδιορισµό κάποιων λειτουργικών περιοχών (τµηµάτων στις αλληλουχίες ). Έτσι κρίνεται απαραίτητη η µελέτη του παραπάνω προβλήµατος και η χρήση τεχνικών για την ανάλυση των δεδοµένων. οµή κειµένου : Το κείµενο είναι χωρισµένο σε 6 κεφάλαια.το πρώτο από αυτά είναι η Εισαγωγή. Το δεύτερο κεφάλαιο, µε τίτλο Ανακάλυψη Γνώσης σε Βάσεις εδοµένων, παρέχει το βασικό υπόβαθρο της επιστηµονικής περιοχής στην οποία κινείται η εργασία. Περιγράφεται η διαδικασία ανακάλυψης γνώσης σε βάσεις δεδοµένων, η σχέση της µε τη µηχανική µάθηση και την εξόρυξη σε δεδοµένα, καθώς και τα προβλήµατα που αντιµετωπίζονται κατά την εφαρµογή της διαδικασίας. -1-

10 Το τρίτο κεφάλαιο, µε τίτλο Μοριακή Βιολογία - Βιοπληροφορική, παρέχει το βασικό υπόβαθρο που απαιτείται για την µελέτη των βιολογικών δεδοµένων και παρουσιάζει την επιστηµονική περιοχή της Βιοπληροφορικής. Περιγράφονται οι βασικές µοριακές δοµικές µονάδες των οργανισµών, οι σχέσεις που υπάρχουν µεταξύ τους, ενώ ορίζονται και περιγράφονται πολλές από τις βασικές έννοιες που µπορεί να συναντήσει όποιος ασχοληθεί µε το αντικείµενο της εργασίας. Τέλος παρουσιάζονται οι σκοποί της Βιοπληροφορικής, οι βασικές µέθοδοι και τα εργαλεία που χρησιµοποιούνται για τη διαχείριση και ανάλυση βιολογικών δεδοµένων, καθώς και οι εφαρµογές της συγκεκριµένης επιστηµονικής περιοχής. Το τέταρτο κεφάλαιο έχει τίτλο Pratt Εύρεση συντηρητικών προτύπων µε την χρήση γράφων προτύπων, σε αυτό το κεφάλαιο περιγράφουµε έναν αλγόριθµο για την εύρεση προτύπων, καθώς και την υλοποίηση του σε ένα εργαλείο που ονοµάζεται Pratt. Περιγράφονται βασικές έννοιες ορολογία, οι δυνατότητες που δίνει το Pratt στην εύρεση προτύπων και ο τρόπος λειτουργίας του. Στο πέµπτο κεφάλαιο µε τίτλο Περιγραφή Λύση του προβλήµατος περιγράφουµε το πρόβληµα της εξακρίβωσης αν ένα ATG είναι TIS ή όχι και την σηµασία του. Περιγράφεται επίσης η λύση που δοκιµάσθηκε για την σωστή πρόβλεψη ενός ATG ως TIS Τέλος, το έκτο κεφάλαιο, µε τίτλο Συµπεράσµατα, αποτελεί τον επίλογο του κειµένου και παρουσιάζει συµπεράσµατα και σχόλια σχετικά µε τα πεπραγµένα της εργασίας. -2-

11 2 Ανακάλυψη Γνώσης σε Βάσεις εδοµένων Ο άνθρωπος προσπαθώντας να κατανοήσει και να µάθει για τον κόσµο γύρω του, να διευρύνει τις γνώσεις και να ικανοποιήσει την έµφυτη περιέργεια του πάντα αναζητούσε τη γνώση. Στην προσπάθεια του αυτή συγκέντρωνε πάντα πληροφορίες από το περιβάλλον του. Σήµερα µε την χρήση της τεχνολογίας είναι εφικτή η συγκέντρωση καθώς και η αποθήκευση µεγάλου όγκου δεδοµένων σε βάσεις δεδοµένων, αποθήκες δεδοµένων ή ακόµα και σε άλλα είδη αποθηκών όπως ο παγκόσµιος ιστός. Η χρήση αυτών των δεδοµένων για την εξαγωγή πολύτιµων πληροφοριών από αυτά, λόγω του µεγάλου τους όγκου, δεν είναι εφικτή χωρίς την βοήθεια ισχυρών εργαλείων. Η σύνθετη διαδικασία για τον προσδιορισµό έγκυρων, νέων, χρήσιµων και κατανοητών σχέσεων-προτύπων σε δεδοµένα µε την χρήση ηλεκτρονικού υπολογιστή ονοµάζεται ανακάλυψη γνώσης σε βάσεις δεδοµένων (Knowledge Discovery in Databases-KDD). Η ανακάλυψη γνώσης σε βάσεις δεδοµένων έχει λάβει στοιχεία από πολλές επιστηµονικές περιοχές όπως τις βάσεις δεδοµένων, τη µηχανική µάθηση, τη στατιστική, την ανάκτηση πληροφοριών, την οπτική αναπαράσταση δεδοµένων, την παράλληλη και κατανεµηµένη επεξεργασία. Ωστόσο, η ανακάλυψη γνώσης σε βάσεις δεδοµένων αποτελεί µία ολοκληρωµένη διαδικασία που περιλαµβάνει τρία συγκεκριµένα στάδια εφαρµογής: την προεπεξεργασία των δεδοµένων, την εφαρµογή των αλγορίθµων ανακάλυψης γνώσης και την ερµηνεία των αποτελεσµάτων. 2.1 Επαγωγική και Μηχανική Μάθηση Για να κατανοήσει ο άνθρωπος το περιβάλλον του το παρατηρεί το και δηµιουργεί µια απλοποιηµένη (αφαιρετική) εκδοχή του, το µοντέλο (model). Η δηµιουργία ενός τέτοιου µοντέλου, ονοµάζεται επαγωγική µάθηση (inductive learning) ενώ η διαδικασία γενικότερα ονοµάζεται επαγωγή. Επιπλέον ο άνθρωπος έχει τη δυνατότητα να οργανώνει και να -3-

12 συσχετίζει τις παραστάσεις του δηµιουργώντας νέες δοµές που ονοµάζονται πρότυπα (patterns). Η δηµιουργία µοντέλων από ένα σύνολο δεδοµένων, από ένα υπολογιστικό σύστηµα, ονοµάζεται µηχανική µάθηση (machin learning). Η µάθηση µπορεί να διακριθεί σε (M. Holsheimer, A. Siebes, 1994 ), (Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Ι. Ρεφανίδης, Φ. Κόκκορας και Η. Σακελλαρίου,, 2002): Μάθηση µε επίβλεψη (supervised learning ). Ονοµάζεται και µάθηση µε παραδείγµατα (learning from examples). Στη µάθηση µε επίβλεψη παρέχονται στο γνωστικό σύστηµα παραδείγµατα από ήδη ορισµένες κλάσεις. Το σύστηµα καλείται να ανακαλύψει τις κοινές ιδιότητες των αντικειµένων κάθε κλάσης, δηλαδή την περιγραφή της κλάσης (class description). Μάθηση χωρίς επίβλεψη (unsupervised learning). Ονοµάζεται και µάθηση από παρατήρηση (learning from observation). Στη µάθηση χωρίς επίβλεψη το σύστηµα πρέπει να ανακαλύψει τις κλάσεις από µόνο του βασιζόµενο στις κοινές ιδιότητες των αντικειµένων. 2.2 Κατηγορίες µεθόδων Μηχανικής Μάθησης Εκτός από την κλασική κατηγοριοποίηση της µάθησης σε µάθηση µε επίβλεψη και µάθηση χωρίς επίβλεψη, η µηχανική µάθηση µπορεί να χωριστεί και στις εξής κατηγορίες: Μάθηση Συνάρτησης Στόχος της µάθησης συναρτήσεων είναι η µάθηση µιας συνάρτησης, που αποτελεί έκφραση του µοντέλου που περιγράφει τα δεδοµένα, µελετώντας ένα σύνολο δεδοµένων µε ζευγάρια τιµών εισόδου και εξόδου της συνάρτησης αυτής. Η συνάρτηση στόχος (target function) χρησιµοποιείται για την πρόβλεψη της τιµής µια µεταβλητής, που ονοµάζεται εξαρτηµένη µεταβλητή ή µεταβλητή εξόδου, βάσει των τιµών ενός συνόλου µεταβλητών, που ονοµάζονται ανεξάρτητες µεταβλητές ή µεταβλητές εισόδου ή χαρακτηριστικά. Το σύνολο των διαφορετικών δυνατών τιµών εισόδου της συνάρτησης, δηλαδή το πεδίου ορισµού της, ονοµάζεται σύνολο των περιπτώσεων ή στιγµιότυπων (instances), κάθε περίπτωση περιγράφεται από ένα -4-

13 σύνολο χαρακτηριστικών (attributes ή features) και κάθε υποσύνολο του συνόλου των περιπτώσεων για τα οποία γνωρίζουµε την τιµή της µεταβλητής εξόδου, ονοµάζεται σύνολο δεδοµένων εκπαίδευσης ή παραδείγµατα. Εµπειρική Σχέση Μεταβλητών Η εµπειρική σχέση µεταβλητών (regression) αφορά την αναζήτηση προτύπων πρόβλεψης, όπου το χαρακτηριστικό που προβλέπεται απαιτείται να έχει αριθµητική τιµή. Οι κυριότερες µέθοδοι που χρησιµοποιούνται είναι η γραµµική παρεµβολή και τα νευρωνικά δίκτυα. Κατηγοριοποίηση Η κατηγοριοποίηση (classification) είναι µέθοδος αναζήτησης προτύπων πρόβλεψης παρόµοια µε την εµπειρική σχέση µεταβλητών µε τη διαφορά ότι η τιµή του χαρακτηριστικού που πρέπει να προβλεφθεί δεν είναι αριθµητική αλλά κατηγορική. Οι πιο κοινές µέθοδοι κατηγοριοποίησης είναι η µάθηση εννοιών, τα δένδρα κατηγοριοποίησης, η µάθηση µε βάση τα παραδείγµατα και η µάθηση µε βάση τη θεωρία του Bayes. Μάθηση Εννοιών Κατά τη διαδικασία της µάθησης εννοιών (concept learning) το γνωστικό σύστηµα τροφοδοτείται µε παραδείγµατα που ανήκουν (θετικά παραδείγµατα) ή δεν ανήκουν (αρνητικά παραδείγµατα) σε κάποια έννοια/κατηγορία και καλείται να παράγει κάποια γενικευµένη περιγραφή της, ώστε να είναι στη συνέχεια σε θέση να αποφασίσει για άγνωστες περιπτώσεις. ένδρα Κατηγοριοποίησης Τα δένδρα κατηγοριοποίησης (classification trees) ή δένδρα απόφασης (decision trees) είναι µια δενδροειδής δοµή που αναπαριστά µε γραφικό τρόπο τις συσχετίσεις στα δεδοµένα εκπαίδευσης. Και χρησιµοποιούνται για να προβλέψουν, µε κάποιο βαθµό ακρίβειας την τιµή της µεταβλητής που µοντελοποιούµαι µε βάση τις τιµές των θεωρούµενων ανεξάρτητων µεταβλητών (χαρακτηριστικών). Ο ποιο γνωστός -5-

14 αλγόριθµος για την κατασκευής δένδρων κατηγοριοποίησης είναι ο ID3 και ο απόγονος του C4.5. Μάθηση µε Βάση τα Παραδείγµατα Στη µάθηση µε βάση τα παραδείγµατα (instance based learning) τα δεδοµένα εκπαίδευσης χρησιµοποιούνται αυτούσια. Όταν ένα σύστηµα κληθεί να αποφασίσει για µια νέα περίπτωση, εξετάζει τη σχέση της µε τις ήδη αποθηκευµένες περιπτώσεις. Μάθηση µε Βάση τη Θεωρία του Bayes Η συλλογιστική κατά Bayes αποτελεί τη θεωρητική βάση για αλγορίθµους µάθησης που διαχειρίζονται πιθανότητες, καθώς και ένα πλαίσιο για το συγκριτικό έλεγχο της απόδοσης άλλων αλγορίθµων, που δε διαχειρίζονται πιθανότητες. o Στη µάθηση µε βάση τη θεωρία του Bayes (Bayesian learning) κάθε παράδειγµα εκπαίδευσης µπορεί σταδιακά να µειώσει ή να αυξήσει την πιθανότητα να είναι σωστή µια υπόθεση. o Οι απλοί κατηγοριοποιητές Bayes (simple/naive Bayes classifiers) είναι πρότυπα που δηµιουργούνται µε βάση στατιστικά στοιχεία (κατανοµές πιθανότητας) που αφορούν τις εγγραφές της βάσης δεδοµένων Εξόρυξη Κανόνων Συσχέτισης (Association Rule Mining) Στόχος της εξόρυξης κανόνων συσχέτισης είναι η εύρεση συσχετίσεων µεταξύ αντικειµένων σε συναλλακτικές (transactional) βάσεις δεδοµένων. Οι κανόνες συσχέτισης είναι πρότυπα πληροφόρησης της µορφής «εάν Χ τότε Υ», όπου Χ και Υ είναι εκφράσεις που συνδέουν τιµές των πεδίων των εγγραφών της βάσης δεδοµένων. Η απλή αναφορά τέτοιων κανόνων έχει µικρή αξία αν δεν συνοδεύονται από µεγέθη που να µετρούν την ποιότητα των ευρεθέντων κανόνων συσχέτισης, µεγέθη όπως η εµπιστοσύνη και η υποστήριξη. Για την ανακάλυψη κανόνων συσχέτισης χρησιµοποιείται η ιδιότητα της µονοτονίας (monotonicity property) ή αλλιώς ιδιότητα a priori σύµφωνα µε την οποία: «Αν ένα σύνολο αντικειµένων Σ είναι συχνό, τότε όλα τα υποσύνολα του Σ είναι επίσης συχνά.». Υπάρχουν δύο βασικές µέθοδοι (οικογένειες αλγορίθµων) για την ανακάλυψη κανόνων συσχέτισης. -6-

15 Στην πρώτη µέθοδο βρίσκουµε αρχικά όλα τα συχνά αντικείµενα, κατόπιν τα συχνά ζεύγη, τις συχνές τριάδες κτλ.., µέχρι να βρεθούν τα µέγιστα συχνά σύνολα αντικειµένων, αντιπροσωπευτικό παράδειγµα τέτοιου αλγορίθµου είναι ο Apriori. Στην δεύτερη µέθοδο βρίσκονται όλα τα µέγιστα συχνά σύνολα αντικειµένων µε ένα ή ελάχιστα περάσµατα αλά έχουν µεγάλες απαιτήσεις µνήµης, αντιπροσωπευτικό παράδειγµα τέτοιου αλγορίθµου είναι ο FP-Growth. Τέλος εάν οι εγγραφές της βάσης δεδοµένων περιλαµβάνουν χρονική παράµετρο και χαρακτηρίζουν µοναδική οντότητα. Τότε είναι δυνατόν να γίνει αναζήτηση γνώσης για σειριακά πρότυπα (sequential patterns) Οµαδοποίηση Στόχος της οµαδοποίησης είναι η ανακάλυψη οργανώσεων των δεδοµένων σε οµάδες, έτσι ώστε δεδοµένα της ίδιας οµάδας να µοιάζουν όσο το δυνατόν περισσότερο και δεδοµένα διαφορετικών οµάδων να διαφέρουν όσο το δυνατόν περισσότερο. Οι οµάδες είναι πρότυπα πληροφόρησης που προκύπτουν από την οµαδοποίηση των εγγραφών της βάσης δεδοµένων, έτσι ώστε εγγραφές που ανήκουν στην ίδια οµάδα να έχουν κοινά χαρακτηριστικά. Υπάρχουν τρεις γενικές κατηγορίες αλγορίθµων οµαδοποίησης: Βασισµένοι σε διαχωρισµούς (partitional), που προσπαθούν να βρουν τον καλύτερο διαχωρισµό ενός συνόλου δεδοµένων σε ένα συγκεκριµένο αριθµό οµάδων. Ένας πολύ γνωστός αλγόριθµος της κατηγορίας αυτής είναι ο αλγόριθµος των K-µέσων (K-means), ο οποίος αρχικά επιλέγει K τυχαία σηµεία ως κέντρα των K οµάδων και στη συνέχεια αναθέτει κάθε σηµείο στην οµάδα της οποίας το κέντρο βρίσκεται πιο κοντά. Έπειτα υπολογίζονται τα µέσα διανύσµατα των σηµείων κάθε οµάδας και ορίζονται ως νέα κέντρα των οµάδων. Η διαδικασία επαναλαµβάνεται για συγκεκριµένο αριθµό βηµάτων. Ιεραρχικοί (hierarchical), που προσπαθούν µε ιεραρχικό τρόπο να ανακαλύψουν τη δοµή των οµάδων. Το αποτέλεσµα αυτών των αλγορίθµων είναι µια ιεραρχία από διαφορετικές οµαδοποιήσεις των δεδοµένων, στο ένα άκρο της οποίας βρίσκεται µία µόνο οµάδα µε όλα τα δεδοµένα και στο άλλο τόσες οµάδες όσα είναι τα δεδοµένα. Με βάση την κατεύθυνση ανάπτυξης της ιεραρχίας που ακολουθούν οι ιεραρχικοί αλγόριθµοι οµαδοποίησης διακρίνονται σε: -7-

16 o Συγχωνευτικούς (agglomerative). o ιαιρετικούς (divisive). Βασισµένοι σε µοντέλα πιθανοτήτων, για παράδειγµα αλγόριθµοι που βασίζονται στη θεωρία του Bayes Ενισχυτική Μάθηση (Reinforcement Learning) Στόχος της ενισχυτικής µάθησης είναι η εύρεση της βέλτιστης συµπεριφοράς ενός πράκτορα σε κάποιο περιβάλλον, µε βάση την ανταµοιβή που παίρνει σε µια τελική κατάσταση, έχοντας ξεκινήσει από µια αρχική κατάσταση και ακολουθώντας µια σειρά από ενέργειες και ενδιάµεσες καταστάσεις. Η έννοια της ενισχυτικής µάθησης (reinforcement learning) είναι εµπνευσµένη από τα αντίστοιχα ανάλογα της µάθησης µε επιβράβευση και τιµωρία που συναντώνται ως µοντέλα µάθησης των έµβιων όντων. Η βασική ιδέα είναι ότι το σύστηµα µάθησης αξιολογείται µε βάση µια βαθµωτή ποσότητα που ονοµάζεται σήµα ενίσχυσης. Σκοπός του συστήµατος µάθησης είναι η µεγιστοποίηση κάποιας συνάρτησης του ενισχυτικού σήµατος. Το σύστηµα µάθησης δεν έχει καµιά εκ των προτέρων γνώση για τη συµπεριφορά του περιβάλλοντος. Ο µόνος τρόπος για να ανακαλύψει το σύστηµα µάθησης τη συµπεριφορά του περιβάλλοντος είναι µέσω της δοκιµής και της αποτυχίας (trial and error). 2.3 Πρότυπα Πληροφόρησης και Μοντέλα Πρόβλεψης Τα πρότυπα πληροφόρησης (informative patterns) περιγράφουν συσχετίσεις µεταξύ των δεδοµένων. Παραδείγµατα προτύπων πληροφόρησης είναι οι κανόνες συσχέτισης (association rules), τα σειριακά πρότυπα (sequential patterns), που αποτελούν µια παραλλαγή των κανόνων συσχέτισης και οι οµάδες (clusters). Τα πρότυπα πρόβλεψης (predictive patterns) προβλέπουν την τιµή ενός πεδίου µιας εγγραφής µε βάση τις τιµές των υπόλοιπων πεδίων. Παραδείγµατα προτύπων πρόβλεψης είναι η διαδικασία εντοπισµού εµπειρικών σχέσεων σε µεταβλητές (regression) και η κατηγοριοποίηση (classification). -8-

17 2.4 Στάδια Ανακάλυψης Γνώσης σε Β Η ανακάλυψη γνώσης σε βάσεις δεδοµένων είναι µια διαδικασία για τον προσδιορισµό έγκυρων, νέων, χρήσιµων και κατανοητών σχέσεων-προτύπων σε δεδοµένα. Αποτελεί µία σηµαντική εφαρµογή σε πραγµατικές συνθήκες και σε µεγάλη κλίµακα των ερευνητικών αποτελεσµάτων της Στατιστικής, των Βάσεων εδοµένων(β ) και της Μηχανικής Μάθησης. Η ανακάλυψη γνώσης σε βάσεις δεδοµένων περιλαµβάνει τα εξής διακριτά και διαδοχικά στάδια: Επιλογή Προεπεξεργασία Μετασχηµατισµός Εξόρυξη Ερµηνεία - Αξιολόγηση... εδοµένα Επιλεγµένο Υποσύνολο εδοµένων Προεπεξεργασµένα εδοµένα Μετασχηµατισµένα εδοµένα Πρότυπα Γνώση Εικόνα 2.1: Τα βασικά στάδια της διαδικασίας ανακάλυψης γνώσης Επιλογή εδοµένων Τα δεδοµένα µπορούν να ληφθούν από διαφορετικές και ετερογενείς πηγές. Συνήθως προέρχονται από σχεσιακές βάσεις δεδοµένων. Ωστόσο καθώς οι πραγµατικές βάσεις έχουν τεράστιο αριθµό εγγραφών και πολλοί αλγόριθµοι KDD απαιτούν τα δεδοµένα εκπαίδευσης να είναι όλα στην µνήµη, η επιλογή ενός δείγµατος τέτοιου ώστε να αντιπροσωπεύει την αρχική βάση είναι σχεδόν πάντοτε επιβεβληµένη. Επίσης σχεδόν πάντα τα δεδοµένα της βάσης δεν είναι οργανωµένα µε τρόπο που να ευνοεί τους αλγόριθµους ανακάλυψης γνώσης αλλά αποτελούνται από µεγάλο αριθµό εγγραφών και µεγάλο αριθµό πεδίων ανά εγγραφή επηρεάζοντας αρνητικά την απόδοση των αλγορίθµων αλλά και την ποιότητα της παραγόµενης γνώσης στις περιπτώσεις που περιλαµβάνονται περιττά πεδία. Έτσι κατά το στάδιο της επιλογής απαιτείται η εξαγωγή των δεδοµένων από τη βάση και η οργάνωση τους σε απλούστερες δοµές. Η -9-

18 απαίτηση αυτή µπορεί να καλύπτεται από ένα σύστηµα αποθήκευσης δεδοµένων (data warehouse) το οποίο παρέχει στους αλγορίθµους ανακάλυψης γνώσης µια ευκολότερα προσβάσιµη όψη (view) των δεδοµένων Προεπεξεργασία εδοµένων Η προεπεξεργασία δεδοµένων είναι γνωστή και ως στάδιο καθαρισµού των δεδοµένων (data cleaning) καθώς στο στάδιο αυτό αποµακρύνονται ή διορθώνονται ελλιπή και λανθασµένα δεδοµένα. Τα ελλιπή δεδοµένα µπορεί να είναι πεδία µε τιµές που ουσιαστικά τα καθιστούν κενά, πεδία µε τιµές που κατά σύµβαση υπονοούν κάτι άλλο κτλ, ενώ τα λανθασµένα δεδοµένα είναι αποτέλεσµα του θορύβου που συχνά περιέχεται στα δεδοµένα των βάσεων Μετασχηµατισµός εδοµένων Τα δεδοµένα µετασχηµατίζονται ώστε να διευκολυνθεί η διαδικασία της εξόρυξης γνώσης αλλά και να βελτιωθεί η ποιότητα της εξαγόµενης γνώσης. Αν και οι περισσότεροι αλγόριθµοι σχεδιάζονται έτσι ώστε να µαθαίνουν ποια είναι τα πιο σηµαντικά χαρακτηριστικά για την λήψη µιας απόφασης, εντούτοις η ύπαρξη µεγάλου αριθµού µη-σχετικών ή ακατάλληλων χαρακτηριστικών επηρεάζει αρνητικά την απόδοση των αλγορίθµων. Έτσι χρησιµοποιούνται τεχνικές που µειώνουν των αριθµό των πεδίων(dimensionality reduction), είτε µειώνουν τον αριθµό των τιµών που παίρνει ένα πεδίο (variability reduction). Κατά τον µετασχηµατισµό των δεδοµένων τέτοιες τεχνικές είναι : Η ενοποίηση πεδίων. Η επιλογή χαρακτηριστικών (feature selection ή attribute selection) Η αντικατάσταση ενός πεδίου από κάποιο άλλο. Μετατροπή συνεχόµενων πραγµατικών τιµών σε κατηγορικές τιµές. Αποµάκρυνση σπάνια εµφανιζόµενων ακραίων τιµών. Μετασχηµατισµός µε εφαρµογή κάποιας συνάρτησης στις τιµές ενός πεδίου. -10-

19 2.4.4 Επιλογή και Εφαρµογή Αλγορίθµου Εξόρυξης Στο στάδιο αυτό καθορίζεται το είδος της γνώσης που θα αναζητηθεί κάτι που καθορίζει έµµεσα και την κατηγορία αλγόριθµου που θα χρησιµοποιηθεί. Στη συνέχεια εφαρµόζεται ο αλγόριθµος που έχει επιλεγεί στα µετασχηµατισµένα δεδοµένα. Το στάδιο αυτό είναι καθαρά υπολογιστικό και εδώ γίνεται ουσιαστικά η αναζήτηση της γνώσης στα δεδοµένα, το στάδιο αυτό περιγράφεται µε τον όρο εξόρυξη στα δεδοµένα (data mining). Από την διαδικασία αυτή προκύπτουν πρότυπα πληροφόρησης (information patterns) και µοντέλα πρόβλεψης (predictive models ) Ερµηνεία Αξιολόγηση Στο στάδιο αυτό γίνεται η ερµηνεία και η αξιολόγηση των ευρεθέντων προτύπων ενώ συχνά χρησιµοποιούνται τεχνικές οπτικής αναπαράστασης (visualization) για την αναπαράσταση της γνώσης που υποβοηθούν την σύνοψη της γνώσης για την εξαγωγή πολύπλοκών συµπερασµάτων. Η γνώση που προέκυψε µπορεί να χρησιµοποιηθεί σε ένα σύστηµα γνώσης, όπου ίσως να απαιτείται και η επίλυση πιθανών συγκρούσεων (conflicts) µε υπάρχουσα γνώση. Μετά την ολοκλήρωση της διαδικασίας µια φορά τα αποτελέσµατα που προκύπτουν δίνουν ερέθισµα για νέου είδους αναζητήσεις που οδηγούν στην επανάληψη της διαδικασίας. 2.5 Προβλήµατα στην Ανακάλυψη Γνώσης και Ειδικά Θέµατα Τα συστήµατα ανακάλυψης γνώσης, βασίζονται στην παροχή δεδοµένων εισόδου από βάσεις δεδοµένων οι οποίες τείνουν να είναι δυναµικές, µεγάλου µεγέθους, ελλιπείς και να περιέχουν εσφαλµένα δεδοµένα. Επιπλέον προβλήµατα προκύπτουν από το πόσο σχετική και επαρκής είναι η αποθηκευµένη πληροφορία. Τα σηµαντικότερα προβλήµατα που συναντάµε είναι: -11-

20 2.5.1 Ακατάλληλα δεδοµένα Οι βάσεις δεδοµένων δεν είναι συνήθως σχεδιασµένες για ανακάλυψη γνώσης µε αποτέλεσµα οι ιδιότητες και τα πεδία που θα απλοποιούσαν την διαδικασία να λείπουν ή να µην είναι δυνατή καν η συλλογή τους Ελλιπή δεδοµένα Πολλές φορές και για διάφορους λόγους η τιµή κάποιων πεδίων απουσιάζει (missing data- ελλιπή δεδοµένα). Ο χειρισµός τέτοιων δεδοµένων ποικίλλει και οι µεθοδολογίες εκτείνονται από την απλή απόρριψη των αντιστοιχών έγγραφων ως τον υπολογισµό του πεδίου που λείπει Θόρυβος Τα λάθη στις βάσεις δεδοµένων είναι συχνά και είναι γνωστά ως θόρυβος (noise- noisy data) και µπορεί να οδηγήσουν σε αλλοίωση της συνολικής ακρίβειας της γνώσης Αραιά εδοµένα Στην αναζήτηση γνώσης σε βάσεις δεδοµένων, ο χώρος αναζήτησης ορίζεται από το δυναµοσύνολο των συνόλων στα οποία ορίζονται τα πεδία. Υπάρχουν ωστόσο περιπτώσεις οπού για διάφορους λόγους, τα διαθέσιµα δεδοµένα καλύπτουν µικρό ποσοστό του χώρου αναζήτησης (αραιά δεδοµένα sparse data ), µε αποτέλεσµα να δηµιουργούνται προβλήµατα στην αναζήτηση γνώσης Μέγεθος Βάσης εδοµένων Ο µεγάλος αριθµός εγγραφών και πεδίων ανά εγγραφή σε Β επηρεάζει αρνητικά την απόδοση του αλγόριθµου αλλά και την ποιότητα της παραγόµενης γνώσης στις περιπτώσεις που περιλαµβάνονται περιττά πεδία.. Τέλος υπάρχει περίπτωση να δηµιουργηθούν πολλές και πολύπλόκες περιγραφές που θα πρέπει να εξεταστούν. -12-

21 2.5.6 είγµα Η χρήση δείγµατος είναι σχεδόν πάντα επιβεβληµένη καθώς οι πραγµατικές βάσεις δεδοµένων έχουν τεράστιο αριθµό εγγραφών ενώ πολλοί αλγόριθµοι KDD απαιτούν τα δεδοµένα εκπαίδευσης να είναι όλα στην µνήµη. Έτσι η λήψη ενός δείγµατος απαιτεί µεγάλη προσοχή και εφαρµογή στατιστικών τεχνικών, ώστε να αντιπροσωπεύει ικανοποιητικά την αρχική βάση Πρόσφατα εδοµένα Οι βάσεις δεδοµένων ενηµερώνονται συχνά. Νέα δεδοµένα προστίθενται, κάποια τροποποιούνται και κάποια αποµακρύνονται. Έτσι τίθεται το θέµα του κατά πόσο οι κανόνες που παρήχθησαν ανταποκρίνονται στην ανανεωµένη πλέον βάση. Είναι σηµαντική λοιπόν η διατήρηση της συνέπειας των κανόνων µε τα πιο πρόσφατα δεδοµένα καθώς τα χαρακτηριστικά των αντικειµένων µπορεί να αλλάζουν µε το χρόνο. Η ανακατασκευή του κανόνα µπορεί να γίνει από την αρχή ή να χρησιµοποιηθεί αυξητική µάθηση(incremental learning) Σύνθετοι τύποι εδοµένων Οι εξελίξεις στις νέες τεχνολογίες έχουν οδηγήσει σε δηµιουργία νέων πιο σύνθετων τύπων δεδοµένων όπως τα δεδοµένα πολυµέσων, τα χωρικά και τα χρονικά δεδοµένα. Χαρακτηριστικό παράδειγµα αποτελούν οι ιστοσελίδες του παγκόσµιου ιστού που αποτελούν ηµιδοµηµένα ή αδόµητα δεδοµένα και έχουν ξεχωριστές απαιτήσεις αναπαράστασης, αποθήκευσης και επεξεργασίας τους. Έτσι αναπτύχθηκαν νέα συστήµατα διαχείρισης βάσεων δεδοµένων και εργαλεία ικανά να ανακαλύπτουν γνώση σε τέτοιου είδους δεδοµένα. Έτσι αναπτύχθηκαν νέες τεχνικές καθορισµού, επιλογής, µετασχηµατισµού και µάθησης Κατανεµηµένα εδοµένα Τα τελευταία χρόνια παρατηρείται ραγδαία εξέλιξη στην τεχνολογία των δικτύων κάτι που έχει οδηγήσει στην εµφάνιση γεωγραφικά κατανεµηµένων βάσεων δεδοµένων. Οι παραδοσιακές τεχνικές είναι κατασκευασµένες για τοπικά εντοπισµένα σύνολα -13-

22 δεδοµένων, για την αντιµετώπιση αυτού του προβλήµατος αναπτύχθηκαν τεχνικές κατανεµηµένης εξόρυξης σε δεδοµένα (distributed data mining). -14-

23 3 Μοριακή Βιολογία Βιοπληροφορική Αντικείµενο της Βιολογίας αποτελεί η µελέτη του φαινοµένου της ζωής. Η Μοριακή Βιολογία (Molecular Biology) αποτελεί εκείνον τον κλάδο της Βιολογίας που ασχολείται µε την µελέτη της δοµής και της λειτουργίας των βιολογικών µακροµορίων, δηλαδή των πρωτεϊνών και των νουκλεϊκών οξέων. Η µελέτη και η έρευνα οδήγησαν στην συσσώρευση βιολογικών δεδοµένων και στην γέννηση µιας νέας διεπιστηµονικής περιοχής, αφοσιωµένης στην διαχείριση και την ανάλυση αυτών των δεδοµένων µε την χρήση προηγµένων υπολογιστικών τεχνικών, της Βιοπληροφορικής. Στόχος της Βιοπληροφορικής είναι η οργάνωση των βιολογικών δεδοµένων µε τρόπο που να ευνοεί την προσπέλαση και την εισαγωγή τον δεδοµένων από τους ερευνητές, η ανάπτυξη και η χρήση εργαλείων για την ανάλυση των δεδοµένων και την ερµηνεία των αποτελεσµάτων, ώστε να προκύψει βιολογικά σηµαντική γνώση. 3.1 Βιοµόρια Όλα τα µόρια που σχετίζονται µε το φαινόµενο της ζωής καλούνται βιοµόρια (biomolecules). ιακρίνονται σε µικρά µόρια (small molecules), και µακροµόρια (macromolecules). Μακροµόρια είναι οι πρωτεΐνες, τα νουκλεϊκά οξέα (A. Brazma, H. Parkinson, T. Schlitt and M. Shojatalab, 2001) και οι πολυσακχαρίτες (polysaccharides) Μικρά Μόρια Τα µικρά µόρια µπορεί να είναι οι δοµικές µονάδες των µακροµορίων, να έχουν ανεξάρτητους ρόλους, όπως η µετάδοση σηµάτων ή να αποτελούν την πηγή ενέργειας ή το υλικό ενός κυττάρου. Μερικά σηµαντικά παραδείγµατα εκτός από το νερό είναι οι µονοσακχαρίτες (monosaccharides), τα λιπαρά οξέα (fatty acids), τα αµινοξέα (amino acids) και τα νουκλεοτίδια (nucleotides). -15-

24 Αµινοξέα Υπάρχουν 20 διαφορετικά µόρια αµινοξέων, τα οποία είναι οι δοµικές µονάδες των πρωτεϊνών. Για την ακρίβεια, υπάρχουν 19 αµινοξέα και ένα, η προλίνη, που έχει µια ελαφρώς διαφορετική δοµή (περιέχει την ιµινοµάδα NH και όχι την αµινοµάδα NH 2 ) και εποµένως καλείται ιµινοξύ (imino acid). Νουκλεοτίδια Τα νουκλεοτίδια αποτελούνται από µια πεντόζη (σάκχαρο µε πέντε άτοµα άνθρακα), η οποία ενώνεται µε µια φωσφορική οµάδα και µια αζωτούχο βάση. Η πεντόζη των νουκλεοτιδίων του DNA είναι η δεοξυριβόζη (deoxyribose), ενώ η του RNA η ριβόζη (ribose). Η διαφορετικότητα των νουκλεοτιδίων µέσα στα µόρια του DNA και του RNA καθορίζεται από τις πέντε διαφορετικές αζωτούχες βάσεις. Οι αζωτούχες βάσεις είναι η αδενίνη (adenine) και η γουανίνη (guanine), που ανήκουν στις πουρίνες (purines), η κυτοσίνη (cytosine), η θυµίνη (thymine) και ουρακίλη (uracil), που ανήκουν στις πυριµιδίνες (pyrimidines). Οι παραπάνω βάσεις συµβολίζονται µε τα αρχικά τους γράµµατα A, G, C, T και U αντίστοιχα Πρωτεΐνες Οι πρωτεΐνες είναι τα κύρια δοµικά και λειτουργικά µόρια του κυττάρου, που καταλαµβάνουν σχεδόν το 20% του βάρους ενός ευκαρυωτικού κυττάρου, η µεγαλύτερη συµβολή µετά από το νερό (70%)(A. Brazma, H. Parkinson, T. Schlitt and M. Shojatalab, 2001). Μεταξύ των άλλων, υπάρχουν: οµικές πρωτεΐνες, οι οποίες µπορούν να θεωρηθούν ως οι βασικές δοµικές µονάδες του οργανισµού. Ένζυµα, τα οποία καταλύουν ένα πλήθος βιοχηµικών αντιδράσεων. Αυτές οι αντιδράσεις µαζί µε την πορεία που δηµιουργούν καλούνται µεταβολισµός (metabolism). Συνήθως τα ένζυµα είναι πολύ εξειδικευµένα και καταλύουν µόνο έναν τύπο αντίδρασης, ωστόσο το ίδιο ένζυµο µπορεί να συµβάλλει σε περισσότερες από µια µεταβολικές οδούς (metabolic pathways). -16-

25 Οι πρωτεΐνες της µεµβράνης, που είναι βασικές στη συντήρηση του κυτταρικού περιβάλλοντος, ρυθµίζοντας τον όγκο του κυττάρου, την εξαγωγή και τη συγκέντρωση των µικρών µορίων από το εξωκυτταρικό περιβάλλον και την παραγωγή των ιοντικών κλίσεων σηµαντικών για τη λειτουργία των µυϊκών και νευρικών κυττάρων DNA Το δεοξυριβονουκλεϊκό οξύ (deoxyribonucleic acid), ή συντοµότερα DNA ανήκει στην κατηγορία των νουκλεϊκών οξέων και είναι ο βασικός φορέας πληροφορίας σε ένα κύτταρο. Το DNA µπορεί να είναι µονόκλωνο ή δίκλωνο. Ένα µονόκλωνο µόριο DNA, αλλιώς πολυνουκλεοτίδιο (polynucleotide) είναι µια αλυσίδα (πολυνουκλεοτιδική αλυσίδα) από νουκλεοτίδια. Τα νουκλεοτίδια του DNA περιέχουν το σάκχαρο δεοξυριβόζη και γι αυτό καλούνται δεοξυριβονουκλεοτίδια (deoxyribonuceotides). Υπάρχουν τέσσερα διαφορετικά δεοξυριβονουκλεοτίδια, που καθορίζονται από τις βάσεις αδενίνη, γουανίνη, κυτοσίνη και θυµίνη. Ένα νουκλεοτίδιο συνδέεται µε το επόµενο στην αλυσίδα νουκλεοτίδιο µε ένα φωσφοδιεστερικό δεσµό. Ένα πολυνουκλεοτίδιο µπορεί να αναπαρασταθεί ως συµβολοσειρά από το συνδυασµό των τεσσάρων διαφορετικών βάσεων. Για παράδειγµα: A G T C C G T Τα δύο άκρα ενός τέτοιου µορίου είναι διαφορετικά από χηµική άποψη και καλούνται 5 άκρο και 3 άκρο. Άρα, ένα πολυνουκλεοτίδιο είναι κατευθυνόµενο και µάλιστα έχει προσανατολισµό 5 3 : 5 A G T C C G T 3 Το παραπάνω πολυνουκλεοτίδιο είναι διαφορετικό από το αντίστοιχο µε την αντίστροφη σειρά: T G C C T G A Ο προσανατολισµός του οποίου είναι: 5 T G C C T G A 3-17-

26 Κατά σύµβαση το DNA γράφεται µε το 5 άκρο αριστερά και το 3 άκρο δεξιά και µάλιστα στην περίπτωση του δίκλωνου DNA η κωδική αλυσίδα γράφεται από πάνω. ύο αλυσίδες καλούνται συµπληρωµατικές (complementary), αν η µία µπορεί να προκύψει από την άλλη µε αµοιβαία ανταλλαγή της A µε την T και της G µε την C, και ταυτόχρονη αλλαγή του προσανατολισµού του µορίου. Επίσης δύο συµπληρωµατικές αλυσίδες καλούνται αντιπαράλληλες (antiparallel), λόγω των αντίθετων και συνάµα παράλληλων κατευθύνσεών τους. Για παράδειγµα οι δύο παρακάτω πολυνουκλεοτιδικές αλυσίδες είναι συµπληρωµατικές και αντιπαράλληλες: 5 A T T G G A T C 3 3 T A A C C T A G 5 Κάποια ζεύγη νουκλεοτιδίων µπορούν να σχηµατίσουν µεταξύ τους ασθενείς δεσµούς. Συγκεκριµένα, δύο δεσµοί υδρογόνου (hydrogen bonds) µπορούν να σχηµατιστούν µεταξύ A και Τ και τρεις δεσµοί υδρογόνου µεταξύ G και C. Παρότι αυτές οι δυνάµεις είναι ασθενείς, όταν δύο µεγάλες συµπληρωµατικές αλυσίδες συναντώνται συνενώνονται. Τα ζεύγη A T και G C καλούνται ζεύγη βάσεων (base pairs). Το µήκος ενός µορίου DNA συνήθως µετριέται σε ζεύγη βάσεων (bp) ή σε νουκλεοτίδια (nt). ύο συµπληρωµατικές πολυνουκλεοτιδικές αλυσίδες σχηµατίζουν µια σταθερή δοµή, η οποία µοιάζει µε έλικα και είναι γνωστή ως η διπλή έλικα του DNA (DNA double helix). Αξίζει να σηµειωθεί ότι η συµπληρωµατικότητα των δύο αλυσίδων σηµαίνει ότι µπορεί να προσδιοριστεί επακριβώς η µία από τη γνώση της άλλης RNA Το ριβονουκλεϊκό οξύ (ribonucleic acid), ή συντοµότερα RNA, όπως και το DNA, ανήκει στην κατηγορία των νουκλεϊκών οξέων και αποτελείται από νουκλεοτίδια. Ωστόσο, τα νουκλεοτίδια που συνθέτουν το RNA, σε αντίθεση µε αυτά του DNA, αντί της πεντόζης δεοξυριβόζης περιέχουν την πεντόζη ριβόζη (ribose) και γι αυτό καλούνται ριβονουκλεοτίδια (ribonucleotides). Ακόµη στο µόριο του RNA αντί της αζωτούχου βάσης θυµίνης (T) υπάρχει η ουρακίλη (U). Μια ακόµη διαφορά µε το DNA είναι ότι το RNA δε σχηµατίζει διπλή έλικα, αλλά είναι µονόκλωνο. Μπορεί όµως να έχει µια πολύπλοκη δοµή στο χώρο εξαιτίας των συµπληρωµατικών τµηµάτων της ίδιας -18-

27 αλυσίδας. Το RNA µπορεί να προσδεθεί σε ένα συµπληρωµατικό µονόκλωνο µόριο DNA, παρά την αντικατάσταση της T από την U. Το RNA έχει πολλές λειτουργίες µέσα σε ένα κύτταρο, οι σηµαντικότερες από τις οποίες σχετίζονται µε τη διαδικασία της πρωτεϊνοσύνθεσης. Ακόµη το RNA αποτελεί το γενετικό υλικό κάποιων ιών (RNA ιοί). 3.2 Γονίδια και Γονιδίωµα Το γενετικό υλικό των προκαρυωτικών κυττάρων είναι ένα δίκλωνο κυκλικό µόριο DNA. Αντίθετα µε τα προκαρυωτικά, τα ευκαρυωτικά κύτταρα περιέχουν πολλά γραµµικά µόρια DNA, ο αριθµός και το µήκος των οποίων είναι χαρακτηριστικά για τα διάφορα είδη των οργανισµών. Τα µόρια αυτά καλούνται χρωµοσώµατα (chromosomes) (A. Brazma, H. Parkinson, T. Schlitt and M. Shojatalab, 2001), (L. Hunter, 1993). Σε κάποιους οργανισµούς που καλούνται διπλοειδείς (diploids), κάθε χρωµόσωµα περιέχεται σε δύο αντίγραφα, τα οποία καλούνται οµόλογα χρωµοσώµατα (homologous chromosomes). Οργανισµοί µε ένα αντίγραφο του DNA στα χρωµοσώµατά τους, καλούνται απλοειδείς (haploids). Ο άνθρωπος είναι διπλοειδής και έχει 23 ζεύγη χρωµοσωµάτων. Οι προκαρυωτικοί οργανισµοί είναι απλοειδείς (Β. Αλεπόρου-Μαρίνου, Α. Αργυροκαστρίτης, Α. Κοµητοπούλου, Π. Πιαλόγλου και Β. Σγουρίτσα, 2003). Η απεικόνιση του συνόλου των χρωµοσωµάτων ενός ατόµου ταξινοµηµένων σε µια πρότυπη µορφή στην οποία φαίνεται ο αριθµός, το µέγεθος και το σχήµα των χρωµοσωµάτων καλείται καρυότυπος (karyotype). Τα χρωµοσώµατα που είναι µορφολογικά ίδια στο αρσενικό και το θηλυκό άτοµο καλούνται αυτοσωµικά (autosomes). Τα χρωµοσώµατα που καθορίζουν το φύλλο ενός οργανισµού καλούνται φυλετικά χρωµοσώµατα (sex chromosomes). Στα ευκαρυωτικά κύτταρα το γενετικό υλικό κατανέµεται στον πυρήνα, στα µιτοχόνδρια και στους χλωροπλάστες. Το γενετικό υλικό σε όλα τα κύτταρα ενός οργανισµού είναι το ίδιο (µε λίγες ειδικές εξαιρέσεις) (A. Brazma, H. Parkinson, T. Schlitt and M. Shojatalab, 2001). Το σύνολο του γενετικού υλικού ενός οργανισµού καλείται γονιδίωµα ή γένωµα (genome). Το γονίδιο (gene) είναι ένα συνεχές τµήµα µορίου χρωµοσωµικού DNA στο οποίο περιέχονται πληροφορίες που καθορίζουν τη σύνθεση ενός συγκεκριµένου τύπου πρωτεΐνης ή ενός µικρού αριθµού διαφορετικών -19-

28 πρωτεϊνών. Υπάρχουν, επίσης, γονίδια που περιέχουν πληροφορίες για τη σύνθεση µορίων RNA (A. Brazma, H. Parkinson, T. Schlitt and M. Shojatalab, 2001). Το γονίδιο είναι η βασική µονάδα κληρονοµικότητας. Σηµαντικές στη Μοριακή Βιολογία και τη Γενετική (Genetics) είναι οι έννοιες του γονότυπου (genotype) και του φαινότυπου (phenotype). O γονότυπος είναι η συγκεκριµένη γενετική σύσταση ενός ατόµου, ενώ ο φαινότυπος είναι, είτε η συνολική φυσική του εµφάνιση, είτε η συγκεκριµένη εκδήλωση ενός χαρακτηριστικού. Συνήθως η έννοια του γονότυπου χρησιµοποιείται για να περιγράψει ένα συγκεκριµένο γονίδιο που συγκεντρώνει το ενδιαφέρον ή έναν αριθµό γονιδίων. Στην περίπτωση των διπλοειδών οργανισµών ο γονότυπος αναφέρεται στα γονίδια που βρίσκονται στην ίδια θέση των οµόλογων χρωµοσωµάτων και ελέγχουν την ίδια ιδιότητα, µε τον ίδιο ή διαφορετικό ενδεχοµένως τρόπο. Τα γονίδια αυτά καλούνται αλληλόµορφα γονίδια (alleles). Η σχέση µεταξύ γονότυπου και φαινότυπου δεν είναι άµεση. Κάποια γονίδια µπορεί να εκφράσουν ένα συγκεκριµένο φαινότυπο αν βρεθούν στις κατάλληλες περιβαλλοντικές συνθήκες. Συνεπώς η σχέση γονότυπου και φαινοτύπου µπορεί να περιγραφεί ως εξής: γονότυπος + περιβάλλον φαινότυπος. 3.3 Γονιδιακή Έκφραση Γονιδιακή έκφραση (gene expression) καλείται η διαδικασία κατά την οποία η κωδικοποιηµένη πληροφορία ενός γονιδίου µετατρέπεται σε δοµές που παρουσιάζονται και λειτουργούν σε ένα κύτταρο. Πιο συγκεκριµένα, εκφρασµένα είναι τα γονίδια που είτε έχουν µεταγραφεί σε mrna και στη συνέχεια έχουν µεταφραστεί σε πρωτεΐνες, είτε έχουν µεταγραφεί σε RNA και δεν έχουν µεταφραστεί σε πρωτεΐνες. -20-

29 Πρωτεϊνοσύνθεση Η πρωτεϊνοσύνθεση (protein synthesis) αποτελείται από τρία στάδια: 1. Στο στάδιο της µεταγραφής (transcription) η µια αλυσίδα του µορίου του DNA (του γονιδίου) αντιγράφεται σε ένα συµπληρωµατικό τµήµα RNA, που καλείται πρόδροµο (primary) mrna. Η µεταγραφή καταλύεται από το ένζυµο RNA πολυµεράση (RNA polymerase), το οποίο προσκολλάται στο σηµείο του DNA από το οποίο θα αρχίσει η µεταγραφή. Στη συνέχεια, ξετυλίγει τοπικά την έλικα του DNA και τοποθετεί συµπληρωµατικά ριβονουκλεοτίδια απέναντι από τα δεοξυριβονουκλεοτίδια της µιας αλυσίδας. Η µεταγραφή σταµατά στο τέλος του γονιδίου. 2. Στο επόµενο στάδιο αποµακρύνονται από το πρόδροµο mrna κάποια ενδιάµεσα τµήµατα. Τα τµήµατα αυτά ονοµάζονται εσώνια ή ιντρόνια (introns) και είναι αλληλουχίες που δε µεταφράζονται σε αµινοξέα. Οι αλληλουχίες που παραµένουν µεταφράζονται σε αµινοξέα και ονοµάζονται εξώνια (exons). Τα γονίδια των προκαρυωτικών κυττάρων δεν περιέχουν εσώνια και γι αυτό το συγκεκριµένο στάδιο δεν υπάρχει. Το αποτέλεσµα της διαδικασίας είναι το ώριµο (mature) mrna. Η διαδικασία της αποµάκρυνσης των εσωνίων αποδίδεται µε τον αγγλικό όρο splicing. εν υπάρχει κοινά αποδεκτός όρος στα ελληνικά. Μπορεί να χρησιµοποιηθεί ο όρος µάτισµα ή ο όρος συρραφή. Πολλές φορές χρησιµοποιείται και ο όρος ωρίµανση, όµως δεν είναι ταυτόσηµος µε το splicing. Η ωρίµανση περιλαµβάνει το splicing, αλλά και επιπλέον άλλες διαδικασίες, όπως τροποποιήσεις των άκρων του µορίου (D.J. Futuma, 1995). 3. Στο στάδιο της µετάφρασης (translation) γίνεται η αντιστοίχιση τριπλετών (τριών διαδοχικών νουκλεοτιδίων π.χ. GCA) σε αµινοξέα και η διαδοχική σύνδεση των αµινοξέων σε πολυπεπτιδική αλυσίδα. Αυτές οι τριπλέτες καλούνται κωδικόνια (codons). Ο κώδικας αντιστοίχισης των νουκλεοτιδίων του mrna σε αµινοξέα ονοµάζεται γενετικός κώδικας (genetic code) ή κώδικας τριπλέτας (triplet code). Υπάρχουν αµινοξέα που κωδικοποιούνται από περισσότερα του ενός κωδικόνια, καθώς υπάρχουν 4 3 = 64 διαφορετικά κωδικόνια και µόνο 20 αµινοξέα. Για το λόγο αυτό ο γενετικός κώδικας χαρακτηρίζεται ως εκφυλισµένος (degenerate), ενώ τα κωδικόνια που κωδικοποιούν το ίδιο αµινοξύ καλούνται συνώνυµα. Μάλιστα, υπάρχουν και τρία κωδικόνια λήξης (stop codons), τα UAG, UGA, UAA, η -21-

30 παρουσία των οποίων σηµατοδοτεί το τέλος της αλληλουχίας των αµινοξέων, καθώς και ένα κωδικόνιο έναρξης (start codon), το AUG, που κωδικοποιεί το αµινοξύ µεθειονίνη (methionine). Επιπλέον, ο γενετικός κώδικας είναι σχεδόν καθολικός (universal), αφού ισχύει για όλους σχεδόν τους οργανισµούς. Η διαδικασία της µετάφρασης πραγµατοποιείται στα ριβοσώµατα. Τα ριβοσώµατα είναι µεγάλα συµπλέγµατα πρωτεϊνών και µορίων RNA που µπορούν να χρησιµοποιηθούν ως θέση µετάφρασης για οποιοδήποτε µόριο mrna. Αποτελούνται από δύο υποµονάδες. Η µικρότερη υποµονάδα έχει µια περιοχή πρόσδεσης του mrna, ενώ η µεγαλύτερη έχει δύο θέσεις πρόσδεσης για το trna. Ένα µόριο trna συνδέεται µε ένα συγκεκριµένο αµινοξύ και το µεταφέρει στο ριβόσωµα. Το αµινοξύ προστίθεται στην αναπτυσσόµενη πρωτεΐνη. Οι πρωτεΐνες µετά το πέρας της µετάφρασης µπορούν να υποστούν µεταφραστικές τροποποιήσεις (post-translational modifications), γεγονός που επηρεάζει τη λειτουργία τους. Έτσι εξαιτίας του εναλλακτικού µατίσµατος και των µεταφραστικών τροποποιήσεων ένα γονίδιο µπορεί να παράγει µια ποικιλία πρωτεϊνών. 3.4 Γενωµική Γενωµική (genomics) είναι η µελέτη των γονιδιωµάτων, η οποία περιλαµβάνει τη χαρτογράφηση γονιδιώµατος, την εύρεση της αλληλουχίας και της λειτουργία γονιδίων Εύρεση Αλληλουχίας DNA Η διαδικασία εύρεσης της αλληλουχίας των νουκλεοτιδικών βάσεων σε ένα τµήµα µορίου DNA, είναι γνωστή ως εύρεση αλληλουχίας DNA (DNA sequencing) (A. Brazma, H. Parkinson, T. Schlitt and M. Shojatalab, 2001). Η εύρεση αλληλουχίας DNA σε σχετικά µικρά βακτηριακά γονιδιώµατα είναι εύκολη και γίνεται σε µεγάλο βαθµό από ειδικά ροµπότ. Το κύριο πρόβληµα είναι η ελαχιστοποίηση του κόστους ανά νουκλεοτίδιο και η µεγιστοποίηση της ταχύτητας, µε ταυτόχρονη διατήρηση της ποιότητας. Η αποκρυπτογράφηση µεγαλύτερων γονιδιωµάτων, παραµένει δύσκολη, -22-

31 παρόλο που τα περισσότερα προβλήµατα είναι υπολογιστικά. Ειδικά ροµπότ µπορούν να βρίσκουν αλληλουχίες µικρών σχετικά τµηµάτων DNA, τα οποία στη συνέχεια συναρµολογούνται από υπολογιστές µε τη βοήθεια ειδικών αλγορίθµων. Η µεγάλη δυσκολία έγκειται στην πολυπλοκότητα των γονιδιωµάτων των ανώτερων ευκαρυωτικών οργανισµών, τα οποία παρουσιάζουν πολλές επαναλαµβανόµενες υποαλληλουχίες, γεγονός που καθιστά τη διαδικασία συναρµολόγησης δύσκολη. Αυτό συνεπάγεται τη µεσολάβηση του ανθρώπου στο τελικό στάδιο µιας τέτοιας διαδικασίας Εντοπισµός Γονιδίων εδοµένης µιας ακολουθίας DNA είναι δυνατή η πρόβλεψη της θέσης των γονιδίων στην ακολουθία αυτή. Ωστόσο, η ακρίβεια µιας τέτοιας πρόβλεψης δεν είναι πολύ µεγάλη. Η περισσότερη γνώση που απαιτείται για τέτοιου είδους προβλέψεις προέρχεται από πειραµατικά προσδιορισµένα γονίδια. Με την πρόβλεψη των γονιδίων ασχολείται η Βιοπληροφορική και µάλιστα υπάρχουν διάφοροι αλγόριθµοι για πρόβλεψη γονιδίων οι οποίοι χρησιµοποιούν γονίδια ως σύνολα εκπαίδευσης. Μια δηµοφιλής αλγοριθµική τεχνική που χρησιµοποιείται είναι τα κρυφά µοντέλα Markov (hidden Markov models HMM) Συγκριτική Γενωµική Η συγκριτική γενωµική (comparative genomics) ασχολείται µε τις συγκρίσεις αλληλουχιών του γονιδιώµατος. Τα έργα χαρτογράφησης γονιδιωµάτων έχουν δείξει ότι τα γονιδιώµατα φαινοµενικά διαφορετικών οργανισµών µπορεί να έχουν αρκετές οµοιότητες. Αυτές οι οµοιότητες υποδεικνύουν στενές εξελικτικές σχέσεις µεταξύ αυτών των οργανισµών. Είναι δυνατό να κατασκευαστεί ένα φυλογενετικό δένδρο (phylogenetic tree) της εξέλιξης των πρωτεϊνών, των γονιδίων και των οργανισµών βασισµένο σε συγκρίσεις αλληλουχιών. Στοίχιση Αλληλουχιών Η στοίχιση αλληλουχιών (sequence alignment) είναι η συγκριτική µέθοδος που χρησιµοποιείται για την εύρεση δοµικών, λειτουργικών και εξελικτικών σχέσεων µεταξύ βιολογικών αλληλουχιών. Υπάρχουν δύο βασικοί τύποι στοίχισης αλληλουχιών: -23-

32 Η κατά ζεύγη (pairwise) στοίχιση αλληλουχιών, επιδιώκει η εύρεση της καλύτερης στοίχισης µεταξύ δύο πρωτεϊνικών ή νουκλεοτιδικών αλληλουχιών. Σκοπός αυτού του είδους στοίχισης είναι η εύρεση οµολόγων ενός γονιδίου ή πρωτεΐνης σε µια βάση δεδοµένων από γνωστά παραδείγµατα. Για να εξαχθεί το συµπέρασµα της οµολογίας µεταξύ δύο γονιδίων πρέπει να καθοριστεί αν τα συγκεκριµένα γονίδια παρουσιάζουν αρκετή οµοιότητα. Η οµοιότητα (similarity) είναι η παρατηρούµενη ποσότητα, η οποία µπορεί να εκφραστεί ως ποσοστό ταύτισης ή κάποιο άλλο κατάλληλο µέτρο. Η οµολογία (homology) αναφέρεται στο συµπέρασµα που προκύπτει από τα δεδοµένα οµοιότητας και µπορεί να σηµαίνει ότι δύο γονίδια έχουν κοινή εξελικτική προέλευση. Τα γονίδια είτε είναι, είτε δεν είναι οµόλογα. εν υπάρχουν βαθµοί οµολογίας, όπως γίνεται µε την περίπτωση της οµοιότητας (G.D. Schuler, 1998). Η σηµαντικότερη εφαρµογή της κατά ζεύγη στοίχισης είναι η αναγνώριση αλληλουχιών άγνωστης δοµής ή και λειτουργίας. ιακρίνονται δύο µέθοδοι στοίχισης µεταξύ δύο αλληλουχιών, η τοπική (local) και η ολική (global) στοίχιση. Στις µεθόδους ολικής στοίχισης µεταξύ δύο αλληλουχιών συµµετέχουν όλοι οι χαρακτήρες που συνθέτουν τις δύο αλληλουχίες. Οι καθολικές στοιχίσεις είναι περισσότερο χρήσιµες στην εύρεση στενά συγγενικών αλληλουχιών. Ωστόσο αυτές οι αλληλουχίες µπορούν να εντοπιστούν και µε τις µεθόδους τοπικής στοίχισης. Επιπλέον, µερικά προβλήµατα που παρουσιάζονται κατά την εφαρµογή των µεθόδων ολικής στοίχισης περιορίζουν τη χρησιµότητά τους. Οι µέθοδοι τοπικής στοίχισης βρίσκουν συγγενικές περιοχές µέσα στις αλληλουχίες, δηλαδή µπορούν να αποτελούνται από ένα υποσύνολο των χαρακτήρων που συνθέτουν κάθε αλληλουχία. Η µέθοδοι τοπικής στοίχισης είναι πιο ευέλικτες από της µεθόδους ολικής στοίχισης και έχουν το πλεονέκτηµα της εύρεσης συγγενικών περιοχών που εµφανίζονται σε διαφορετική σειρά µέσα σε κάθε αλληλουχία. Η πολλαπλή (multiple) στοίχιση αλληλουχιών επεκτείνει την κατά ζεύγη στοίχιση, για να συµπεριλάβει περισσότερες αλληλουχίες. Οι µέθοδοι πολλαπλής στοίχισης δεν αναζητούν αλληλουχίες σε µια βάση δεδοµένων, αλλά λαµβάνουν µερικές αλληλουχίες και βρίσκουν κοινές περιοχές µεταξύ όλων αυτών. Μια εφαρµογή της µεθόδου αυτής είναι στην Κλαδιστική (Cladistics) έναν κλάδο της Βιολογίας που µελετά τις εξελικτικές σχέσεις µεταξύ των οργανισµών, ως µέθοδο δηµιουργίας φυλογενετικών δένδρων, καθώς και στη δηµιουργία προφίλ των αλληλουχιών, που µπορούν να χρησιµοποιηθούν για την αναζήτηση σε βάσεις δεδοµένων πιο λιγότερο στενών συγγενειών. -24-

33 3.4.4 Λειτουργική Γενωµική Η λειτουργική γενωµική (functional genomics) χρησιµοποιεί τη γνώση που προκύπτει από τη µελέτη των γονιδιωµάτων µε σκοπό την κατανόηση του ρόλου των γονιδίων, της λειτουργίας και αλληλεπίδρασης των προϊόντων τους και κυρίως του τρόπου µε τον οποίο όλα αυτά κάνουν τους οργανισµούς να λειτουργούν µε τον τρόπο που λειτουργούν. Οι πρωτεΐνες επιτελούν ένα µεγάλο πλήθος από λειτουργίες µέσα σε ένα κύτταρο. Οι βιολόγοι πιστεύουν ότι υπάρχει ένας περιορισµένος αριθµός γονιδίων και αντίστοιχων πρωτεϊνών, από λειτουργική άποψη, πολλά από τα οποία εµφανίζονται στα περισσότερα γονιδιώµατα. Η αναγνώριση αυτού του περιορισµένου συνόλου γονιδίων έχει οδηγήσει στην ενοποίηση της βιολογίας κάτω από το πρίσµα της γονιδιακής οντολογίας (Gene Ontology GO). Σκοπός του προγράµµατος αυτού είναι η ανάπτυξη ενός δυναµικού ελεγχόµενου λεξιλογίου για την περιγραφή της λειτουργίας και της θέσης των γονιδίων. Η χρήση των όρων της γονιδιακής οντολογίας επιτρέπει την αυτοµατοποιηµένη αναζήτηση γονιδιακών λειτουργιών σε βάσεις δεδοµένων. Η αφθονία των πρωτεϊνών µπορεί να οφείλεται σε πολλούς παράγοντες, όπως την έκφραση ή µη-έκφραση του αντίστοιχου γονιδίου, τη συχνότητα έκφρασης, το χρόνο και την ταχύτητα ωρίµανσης, µετάφρασης και τροποποίησης, το χρόνο ηµιζωής του mrna και των πρωτεϊνών και την απώλεια της λειτουργικότητάς τους σε κάποιες στιγµές. Άµεσες πειραµατικές µελέτες είναι τεχνικά δύσκολες. Ωστόσο, χάρη στην τεχνολογία των µικροσυστοιχιών, που θα εξεταστεί παρακάτω, είναι πιθανό να µετρηθεί η αφθονία του mrna για δεκάδες χιλιάδες γονίδια παράλληλα µε ένα πείραµα. εν υπάρχει άµεση συσχέτιση µεταξύ της γονιδιακής έκφρασης και της παρουσίας των αντίστοιχων πρωτεϊνών στο κύτταρο, όµως σε πολλές περιπτώσεις µπορούν να γίνουν κάποιες εκτιµήσεις. Ένα σχετικό θέµα µε την αφθονία των πρωτεϊνών στο κύτταρο είναι οι αλληλεπιδράσεις µεταξύ πρωτεϊνών σε κάποια στιγµή της ζωής του κυττάρου. Μπορεί, λοιπόν να γίνει λόγος για δίκτυα αλληλεπίδρασης πρωτεΐνης µε πρωτεΐνη (protein-protein interaction). -25-

34 3.5 Πρωτεωµική Η Πρωτεωµική (Proteomics) είναι η µεγάλης κλίµακας µελέτη των πρωτεϊνών, ιδιαιτέρως της δοµής και της λειτουργίας τους. Σε έναν οργανισµό υπάρχουν πολύ περισσότερες πρωτεΐνες από γονίδια. Αυτό συµβαίνει λόγο της δυνατότητας εναλλακτικού µατίσµατος και των µεταφραστικών τροποποιήσεων. Ωστόσο, υπάρχουν κάποια χαρακτηριστικά των πρωτεϊνών, όπως τα µοτίβα (motifs) και οι αναδιπλώσεις (folds), που επιτρέπουν την ταξινόµησή τους σε οµάδες και οικογένειες πρωτεϊνών, κάνοντας τη µελέτη τους ευκολότερη. 3.6 Εφαρµογές και Προκλήσεις της Βιοπληροφορικής Η αποκρυπτογράφηση του ανθρώπινου γονιδιώµατος ανοίγει το δρόµο στη βιοϊατρική έρευνα και στην κλινική ιατρική. Για την προσφορά καλύτερων θεραπειών και προληπτικών ελέγχων. Η πρόοδος στο πεδίο της φαρµακογενωµικής δηµιουργεί νέες προκλήσεις όσον αφορά την εφαρµογή της εξατοµικευµένης ιατρικής. Η µελέτη του γενετικού προφίλ του ασθενούς θα καθοδηγεί το γιατρό στη λήψη αποφάσεων σχετικά µε τη χρήση της καλύτερης φαρµακευτικής αγωγής. Μια άλλη σηµαντική εφαρµογή είναι η γονιδιακή θεραπεία, η οποία αποτελεί την προσέγγιση που χρησιµοποιείται για την θεραπεία ή πρόληψη ασθενειών µε τη µεταβολή της έκφρασης των γονιδίων ενός ατόµου. Η µελέτη του γονιδιώµατος µικροοργανισµών για την ελάττωση του διοξειδίου του άνθρακα της ατµόσφαιρας,για την ανάπτυξη εναλλακτικών πηγών ενέργειας ή για την κατασκευή βιολογικών όπλων αποτελεί πλέον πραγµατικότητα Οι πληροφορίες που προκύπτουν από τη µελέτη φυτικών οργανισµών-µοντέλων µπορούν να χρησιµοποιηθούν για να προτείνουν βελτιώσεις σε άλλες φυτικές καλλιέργειες. Ένας άλλος τοµέας που ωφελείται από τις προόδους της Βιοπληροφορικής είναι η γεωργία. Στόχος είναι η δηµιουργία φυτικών ποικιλιών που παρουσιάζουν ανθεκτικότητα σε περιβαλλοντικές καταστάσεις όπως η ξηρασία, η αλκαλικότητα του χώµατος, η έλλειψη νερού. Παρόµοιες εξελίξεις δεν αποκλείεται να έχουµε και στον τοµέα της κτηνοτροφίας. Η χαρτογράφηση και η ανάλυση των γονιδιωµάτων ζώων -26-

35 φάρµας µπορεί να οδηγήσει στη βελτίωση της παραγωγής και της υγείας αυτών των ειδών, παρέχοντας σηµαντικά πλεονεκτήµατα στη διατροφή του ανθρώπου. -27-

36 4 Pratt Εύρεση συντηρητικών προτύπων µε την χρήση γράφων προτύπων Σε αυτό το κεφάλαιο περιγράφουµε έναν αλγόριθµο για την εύρεση προτύπων, καθώς και την υλοποίηση του σε ένα εργαλείο που ονοµάζεται Pratt. Το Pratt είναι ένα εργαλείο που ανακαλύπτει όλα τα πρότυπα, της µορφής της οποίας καθορίζει ο χρήστης, τα οποία ταιριάζουν σε ένα ελάχιστο αριθµό ακολουθιών, ο ελάχιστος αυτός αριθµός καθώς και το σύνολο των ακολουθιών καθορίζονται από τον χρήστη. Το σύνολο των προτύπων που µπορούν να βρεθούν από το Pratt είναι υποσύνολο των προτύπων που µπορούν να γραφούν µε την χρήση PROSITE σηµειολογίας [A.Bairoch,P.Bucher,and K. Hofman. The PROSITE database, its status in Nucleic Acids Research,24: ,1995]. Ο χρήστης καθορίζει µία κλάση προτύπων, θέτοντας περιορισµούς στον επιτρεπτό βαθµό ασάφειας καθώς και στο µήκος και στον αριθµό των κενών, για τον καθορισµό του χώρου αναζήτησης εισάγεται η έννοια του γράφου προτύπων, ο αλγόριθµος ερευνά εξαντλητικά ένα δέντρο αναζήτησης εξετάζοντας (spanning) την κλάση προτύπων και επιστρέφοντας τα πρότυπα µε την µεγαλύτερη βαθµολογία (τα λιγότερο γενικά πρότυπα ) σύµφωνα µε µία κατάλληλη συνάρτηση, έτσι αποφεύγουµε την αναζήτηση σε µεγάλο αριθµό γενικεύσεων συντηρητικών προτύπων. Ο χώρος αναζήτησης περιορίζεται µε το να µην ερευνούνται επεκτάσεις των προτύπων που δεν είναι συντηρητικά (γιατί τότε και οι επεκτάσεις αυτού του προτύπου δεν θα είναι συντηρητικές ). Σε απλές περιπτώσεις δίχως ελαστικότητα, οι στρατηγικές κλαδέµατος εγγυούνται τα βέλτιστα αποτελέσµατα της αναζήτησης. Στην γενική περίπτωση χρησιµοποιούνται ευριστικοί µέθοδοι που επιταχύνουν την αναζήτηση και φαίνεται να δίνουν πρότυπα κοντά στα βέλτιστα