Upload
others
View
0
Download
0
Embed Size (px)
Citation preview
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: [email protected]
Celular: 980124430
Website: http://www.tecnociencia9.com/jlsegovia/es