8/1/191

Machine Learning, Algoritmos de Clasificación con

El Hypernetwork

José Luis Segovia Juárez, Ph.D.

8/1/192

Contenido

1. Antecedentes

2. Machine Learning

3. Problemas de Clasificación

4. El Hypernetwork

8/1/193

Mis antecedentes● B.Sc. en Biología (Cayetano Heredia University, Lima, Perú).● Magister en Informática (Universidad Católica del Peru, Lima,

Perú): an interpreter for dynamic system dynamics.● Ph.D. in Computer Science (Wayne State University, Detroit):

Biocomputing.● Postdoctoral Research Fellow (University of Michigan, Ann

Arbor): Modeling and simulation of biological systems; agent based modeling.

8/1/194

2.

8/1/195

Problemas de Clasificación

Redes Neuronales El Hypernetwork

Entre otros

8/1/196

El Hypernetwork

Su estructuraSu estructuraTiene una representaciTiene una representación jerárquica de un sistema biológico ón jerárquica de un sistema biológico complejo, por ejemplo el tejido neuronal.complejo, por ejemplo el tejido neuronal.Las molLas moléculas son elementos centrales.éculas son elementos centrales.

Su dinSu dinámicaámica::FormaciFormación de redes de interacciones moleculares entre las celúlas ón de redes de interacciones moleculares entre las celúlas y dentro de las celulas.y dentro de las celulas.

Aprendizaje mediante un algoritmo evolutivo:Aprendizaje mediante un algoritmo evolutivo:Los organismos aprenden por evolucion molecular

José Luis Segovia Juárez, Ph.D. 7

Los sistemas biolLos sistemas biológicos son sistemas ógicos son sistemas jeraquizadosjeraquizados

•Como entender esta complejidad?•Como usar esa complejidad en computación?

Moléculas

Células

Tejidos

Organos

Sistemas

Organismo

Percolación

Integración

José Luis Segovia Juárez, Ph.D. 8

Un sistema jerUn sistema jeráárquicorquico

Interactions

L1L0

L2

Sistemas Biológicos

José Luis Segovia Juárez, Ph.D. 9

El Hypernetwork

Input cells Internal cells Output cells

Receptor moleculeEffector molecule

Internal moleculeReadout structure

Input vector

Output vector

0111

1

Potential cell to cell interactions

Rule for output cells: “1” if any readout is ON; “0” otherwise.

Molecular interactions

José Luis Segovia Juárez, Ph.D. 10

La estructura:La estructura:

Moléculas, formando redes molecularesMoléculas, formando redes moleculares Células formando redesCélulas formando redes El tejido (u organismo), formado por célulasEl tejido (u organismo), formado por células..

José Luis Segovia Juárez, Ph.D. 11

Nivel molecular: enzimas y reacciones Nivel molecular: enzimas y reacciones enzimaticasenzimaticas

Interface tripsina y su inhibidor.EL inhibidor de la tripsina esta en rojo, y la tripsina esta en verde.

Interaccion llave - cerradura:Las moleculas reconocen areas de su estructura de alta especificidad.

Gran capacidad de proceso de información para reconocer las estructuras.

José Luis Segovia Juárez, Ph.D. 12

Representacion a nivel molecular

Macromolecular structures represented as binary strings.

“Lock – key matching”:

Molecular interactions by shape complementarity (binary string matching)

José Luis Segovia Juárez, Ph.D. 13

ActivaciActivacióón e inhibicin e inhibicióón molecularn molecular

Activacion

Inhibicion

José Luis Segovia Juárez, Ph.D. 14

La célulaLa célula

Cascadas de reacciones intracelulares

José Luis Segovia Juárez, Ph.D. 15

La neurona comoejemplo

José Luis Segovia Juárez, Ph.D. 16

Molecular interactions in a cell:Molecular interactions in a cell:potential activationspotential activations

M

•A cell is modeled as a cellular automaton.

•All molecules have excitatory sites

•A molecule interacts with 8 neighbors

•Formación de cascadas de interacciones moleculares

José Luis Segovia Juárez, Ph.D. 17

Molecular interactions in a cell:Molecular interactions in a cell:potential inhibitionspotential inhibitions

M

Only a fraction of molecules have functional inhibitory sites.

José Luis Segovia Juárez, Ph.D. 18

InteracciInteraccióón cn céélula a clula a céélulalulaMolécula receptora

Molécula efectora

Activacion o inhibicion molecular

José Luis Segovia Juárez, Ph.D. 19

El Hypernetwork

Input cells Internal cells Output cells

Receptor moleculeEffector molecule

Internal moleculeReadout structure

Input vector

Output vector

0111

1

Potential cell to cell interactions

Rule for output cells: “1” if any readout is ON; “0” otherwise.

Molecular interactions

José Luis Segovia Juárez, Ph.D. 20

Ejemplo de un hypernetwork

Activaciones en azulInhibiciones en rojo

Una entrada produceUna salida

José Luis Segovia Juárez, Ph.D. 21

El algoritmo evolutivo para El algoritmo evolutivo para aprendizaje en hypernetworksaprendizaje en hypernetworks

P(O)

Current best organism (O) Mutant (M)

Reproduction with molecular mutation

P(M)

Stop?No

Select organism with best performance

Create organism Variation

Selection

José Luis Segovia Juárez, Ph.D. 22

Resolviendo el problema del N-input parityResolviendo el problema del N-input parity

De una lista de dígitos binarios de longitud N:De una lista de dígitos binarios de longitud N:– 1, si el numero de unos es impar.1, si el numero de unos es impar.– 0, de otro modo. 0, de otro modo.

José Luis Segovia Juárez, Ph.D. 23

8-input parity task8-input parity task

The organism Learning curves of 10 organisms, running up to 150,000

epochs.

José Luis Segovia Juárez, Ph.D. 24

Identifying DNA splice sites with Identifying DNA splice sites with hypernetworks: the hyperexon hypernetworks: the hyperexon

recognition systemrecognition system

José Luis Segovia Juárez, Ph.D. 25

El hypernetwork para entrenamientoEl hypernetwork para entrenamiento

José Luis Segovia Juárez, Ph.D. 26

ResultadosResultados

HE = HyperExonGS = GeneSplicerNG2 = NetGene2

Testing with 50 loci, containing 84 introns, 32,927 bases in total:

José Luis Segovia Juárez, Ph.D. 27

““Resistencia al daResistencia al daño¨ - Mutation Bufferingño¨ - Mutation Buffering

José Luis Segovia Juárez, Ph.D. 28

ConclusionesConclusiones El Hypernetwork resuelve problemas de El Hypernetwork resuelve problemas de

clasificaciclasificación – en la misma línea que una red ón – en la misma línea que una red neuronalneuronal..

Es una plataforma para estudios de sistemas Es una plataforma para estudios de sistemas complejos.complejos.

Utiliza un sistema de aprendizaje novedos: Utiliza un sistema de aprendizaje novedos: EvoluciEvoluciónón Molecular. Molecular.

Exhibe propiedades de sistemas biolExhibe propiedades de sistemas biológicos como ógicos como resistencia al daño.resistencia al daño.

Puede ser utilizado para implementar dispisitivos Puede ser utilizado para implementar dispisitivos novedosos para resolver problemas.novedosos para resolver problemas.

8/1/1929

Muchas gracias

José Luis Segovia Juárez, Ph.D.Email: jsegovia@peopledata1.com

Celular: 980124430

Website: http://www.tecnociencia9.com/jlsegovia/es