Protocolo computacional para la asignación taxonómica de virus en metadatos genómicos
ilustraciones, gráficas, tablas
- Autores:
-
Cobo Paz, Valentina
- Tipo de recurso:
- Fecha de publicación:
- 2020
- Institución:
- Universidad Nacional de Colombia
- Repositorio:
- Universidad Nacional de Colombia
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.unal.edu.co:unal/80999
- Palabra clave:
- Machine learning
Virology
Virus research
Aprendizaje automático (Inteligencia artificial)
Virología
Virus-Investigaciones
Metavirómica
Ensamblaje
Aprendizaje de máquina
Árboles de gradiente potenciado
Máquinas de soporte vectorial
Metaviromics
Assembly
Machine learning
Boosting trees
Support vector machine
- Rights
- openAccess
- License
- Atribución-NoComercial 4.0 Internacional
| id |
UNACIONAL2_b343c85335ef3731eb44003f4269c66d |
|---|---|
| oai_identifier_str |
oai:repositorio.unal.edu.co:unal/80999 |
| network_acronym_str |
UNACIONAL2 |
| network_name_str |
Universidad Nacional de Colombia |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Protocolo computacional para la asignación taxonómica de virus en metadatos genómicos |
| dc.title.translated.eng.fl_str_mv |
Computational methodology for taxonomic characterization of virus in genomic metadata |
| title |
Protocolo computacional para la asignación taxonómica de virus en metadatos genómicos |
| spellingShingle |
Protocolo computacional para la asignación taxonómica de virus en metadatos genómicos Machine learning Virology Virus research Aprendizaje automático (Inteligencia artificial) Virología Virus-Investigaciones Metavirómica Ensamblaje Aprendizaje de máquina Árboles de gradiente potenciado Máquinas de soporte vectorial Metaviromics Assembly Machine learning Boosting trees Support vector machine |
| title_short |
Protocolo computacional para la asignación taxonómica de virus en metadatos genómicos |
| title_full |
Protocolo computacional para la asignación taxonómica de virus en metadatos genómicos |
| title_fullStr |
Protocolo computacional para la asignación taxonómica de virus en metadatos genómicos |
| title_full_unstemmed |
Protocolo computacional para la asignación taxonómica de virus en metadatos genómicos |
| title_sort |
Protocolo computacional para la asignación taxonómica de virus en metadatos genómicos |
| dc.creator.fl_str_mv |
Cobo Paz, Valentina |
| dc.contributor.advisor.spa.fl_str_mv |
Bermudez Santana, Clara Isabel Usme Ciro, Jose Aldemar |
| dc.contributor.author.spa.fl_str_mv |
Cobo Paz, Valentina |
| dc.contributor.researchgroup.spa.fl_str_mv |
Rnomica Teórica y Computacional |
| dc.subject.lemb.eng.fl_str_mv |
Machine learning Virology Virus research |
| topic |
Machine learning Virology Virus research Aprendizaje automático (Inteligencia artificial) Virología Virus-Investigaciones Metavirómica Ensamblaje Aprendizaje de máquina Árboles de gradiente potenciado Máquinas de soporte vectorial Metaviromics Assembly Machine learning Boosting trees Support vector machine |
| dc.subject.lemb.spa.fl_str_mv |
Aprendizaje automático (Inteligencia artificial) Virología Virus-Investigaciones |
| dc.subject.proposal.spa.fl_str_mv |
Metavirómica Ensamblaje Aprendizaje de máquina Árboles de gradiente potenciado Máquinas de soporte vectorial |
| dc.subject.proposal.eng.fl_str_mv |
Metaviromics Assembly Machine learning Boosting trees Support vector machine |
| description |
ilustraciones, gráficas, tablas |
| publishDate |
2020 |
| dc.date.issued.none.fl_str_mv |
2020 |
| dc.date.accessioned.none.fl_str_mv |
2022-02-16T21:37:08Z |
| dc.date.available.none.fl_str_mv |
2022-02-16T21:37:08Z |
| dc.type.spa.fl_str_mv |
Trabajo de grado - Maestría |
| dc.type.driver.spa.fl_str_mv |
info:eu-repo/semantics/masterThesis |
| dc.type.version.spa.fl_str_mv |
info:eu-repo/semantics/acceptedVersion |
| dc.type.content.spa.fl_str_mv |
Text |
| dc.type.redcol.spa.fl_str_mv |
http://purl.org/redcol/resource_type/TM |
| status_str |
acceptedVersion |
| dc.identifier.uri.none.fl_str_mv |
https://repositorio.unal.edu.co/handle/unal/80999 |
| dc.identifier.instname.spa.fl_str_mv |
Universidad Nacional de Colombia |
| dc.identifier.reponame.spa.fl_str_mv |
Repositorio Institucional Universidad Nacional de Colombia |
| dc.identifier.repourl.spa.fl_str_mv |
https://repositorio.unal.edu.co/ |
| url |
https://repositorio.unal.edu.co/handle/unal/80999 https://repositorio.unal.edu.co/ |
| identifier_str_mv |
Universidad Nacional de Colombia Repositorio Institucional Universidad Nacional de Colombia |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| dc.relation.references.spa.fl_str_mv |
Nathan C Medd, Simon Fellous, Fergal M Waldron, Anne Xu ́ereb, Madoka Nakai, Jerry V Cross, and Darren J Obbard. The virome of Drosophila suzukii, an invasi- ve pest of soft fruit. Virus Evolution, 4(1), 03 2018. vey009. Alice. Lustig and Arnold j. Levine. one hundred years of virology. Journal of virology, 66(8):4629–4631, 08 1992 Guodong Liang, Xiaoyan Gao, and Ernest A Gould. Factors responsible for the emer- gence of arboviruses; strategies, challenges and limitations for their control. Emerging Microbes & Infections, 4(1):1–5, 2015. PMID: 26038768. Cameron P. Simmons, Jeremy J. Farrar, Nguyen van Vinh Chau, and Bridget Wills. Dengue. New England Journal of Medicine, 366(15):1423–1432, 2012. PMID: 22494122. Ana Valeria Bussetti, Gustavo Palacios, Amelia Travassos da Rosa, Nazir Savji, Komal Jain, Hilda Guzman, Stephen Hutchison, Vsevolod L. Popov, Robert B. Tesh, and W. Ian Lipkin. Genomic and antigenic characterization of jos virus. Journal of General Virology, 93(2):293–298, 2012. Alexander T Ciota and Laura D Kramer. Insights into arbovirus evolution and adap- tation from experimental studies. Viruses, 2(12):2594–2617, 12 2010. W B Whitman, D C Coleman, and W J Wiebe. Prokaryotes: the unseen majority. Proceedings of the National Academy of Sciences of the United States of America, 95(12):6578–6583, 06 1998. Simon Roux, Francois Enault, Bonnie L. Hurwitz, and Matthew B. Sullivan. Virsorter: mining viral signal from microbial genomic data. PeerJ, 3:e985, May 2015. Davide Chicco. Ten quick tips for machine learning in computational biology. BioData mining, 10:35–35, 12 2017. Mihai Pop. Genome assembly reborn: recent computational challenges. Briefings in bioinformatics, 10(4):354–366, 07 2009. Ben Langmead and Steven L. Salzberg. Fast gapped-read alignment with bowtie 2. Nature methods, 9(4):357–359, Mar 2012. G. N. Artemov, A. N. Peery, X. Jiang, Z. Tu, V. N. Stegniy, M. V. Sharakhova, and I. V. Sharakhov. The Physical Genome Mapping of Anopheles albimanus Corrected Scaffold Misassemblies and Identified Interarm Rearrangements in Genus Anopheles. G3 (Bethesda), 7(1):155–164, 01 2017. Yanqing Zhang and Jagath C Rajapakse. Machine learning in bioinformatics, volume 4. John Wiley & Sons, 2009. J. R. Brister, D. Ako-Adjei, Y. Bao, and O. Blinkova. NCBI viral genomes resource. Nucleic Acids Res, 43(Database issue):D571–577, Jan 2015. |
| dc.rights.coar.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| dc.rights.license.spa.fl_str_mv |
Atribución-NoComercial 4.0 Internacional |
| dc.rights.uri.spa.fl_str_mv |
http://creativecommons.org/licenses/by-nc/4.0/ |
| dc.rights.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess |
| rights_invalid_str_mv |
Atribución-NoComercial 4.0 Internacional http://creativecommons.org/licenses/by-nc/4.0/ http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.extent.spa.fl_str_mv |
ix, 72 páginas |
| dc.format.mimetype.spa.fl_str_mv |
application/pdf |
| dc.publisher.spa.fl_str_mv |
Universidad Nacional de Colombia |
| dc.publisher.program.spa.fl_str_mv |
Bogotá - Ingeniería - Maestría en Bioinformática |
| dc.publisher.department.spa.fl_str_mv |
Departamento de Ingeniería de Sistemas e Industrial |
| dc.publisher.faculty.spa.fl_str_mv |
Facultad de Ingeniería |
| dc.publisher.place.spa.fl_str_mv |
Bogotá, Colombia |
| dc.publisher.branch.spa.fl_str_mv |
Universidad Nacional de Colombia - Sede Bogotá |
| institution |
Universidad Nacional de Colombia |
| bitstream.url.fl_str_mv |
https://repositorio.unal.edu.co/bitstream/unal/80999/3/1032467477.2020.pdf https://repositorio.unal.edu.co/bitstream/unal/80999/4/license.txt https://repositorio.unal.edu.co/bitstream/unal/80999/5/1032467477.2020.pdf.jpg |
| bitstream.checksum.fl_str_mv |
a4f9271700a30e52d9dd614174c8c3fd 8153f7789df02f0a4c9e079953658ab2 9a8874aaa0f6249b4668e074d6f98bdc |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Institucional Universidad Nacional de Colombia |
| repository.mail.fl_str_mv |
repositorio_nal@unal.edu.co |
| _version_ |
1814089899164303360 |
| spelling |
Atribución-NoComercial 4.0 Internacionalhttp://creativecommons.org/licenses/by-nc/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Bermudez Santana, Clara Isabel255d3d337c24735b568fe1f8201cc30a600Usme Ciro, Jose Aldemar5c8073ead587a75ff9ee6d6e080f4d54600Cobo Paz, Valentina402bc06f50d978d6abb08d8cfa4b0d91Rnomica Teórica y Computacional2022-02-16T21:37:08Z2022-02-16T21:37:08Z2020https://repositorio.unal.edu.co/handle/unal/80999Universidad Nacional de ColombiaRepositorio Institucional Universidad Nacional de Colombiahttps://repositorio.unal.edu.co/ilustraciones, gráficas, tablasLos virus están ampliamente distribuidos en todos los ecosistemas naturales y son el grupo de entidades biológicas más diverso conocido. Aunque su biodiversidad biológica estimada es de 31 ordenes de magnitud, nuestro conocimiento es menor al 1%. Además, debido a su capacidad de impacto a la salud humana, como lo ha sido la reciente pandemia de Sars- cov-2, es esencial la búsqueda de estrategias que sean rápidas y fiables al clasificar nuevos virus usando los datos disponibles como referencia de manera eficiente. Nuestro objetivo es encontrar métodos flexibles para filtrar y clasificar secuencias víricas utilizando diversos recursos como el aprendizaje de máquina principalmente con una resolución adecuada, una alta eficiencia y buena precisión, manteniendo la flexibilidad del modelo a secuencias víricas diversas. Seleccionamos las máquinas de soporte vectorial y los árboles de gradiente potenciado como los métodos que más nos favorecían en términos de recursos computacionales, rendimiento y predicción, los datos usados fueron descargados del NCBI Virus para entrenar los modelos. Las secuencias virales fueron filtradas cuidadosamente para el entrenamiento del modelo. Después del filtrado de los datos, 19 familias tuvieron el número de secuencias más representativas. Finalmente, de este conjunto de datos, 80 % fueron usados para entrenar las máquinas de aprendizaje y 20% fue utilizado para validar las clases taxonómicas. Las secuencias víricas se transformaron a una representación numérica a través de el método count vectorizer en k-mers de diferentes tamaños, incluyendo 3k-mers con el fin de preservar la información de los marcos abiertos de lectura (ORF’s) y evitar el sobreajuste. En este trabajo, nuestros métodos permiten encontrar asociaciones a nivel taxonómico de familia entre las secuencias virales y la taxonomía, por medio de recursos computacionales eficientes de predicción y a diferencia de métodos convencionales de comparación de secuencias. Sin embargo, es importante señalar que en el aprendizaje de máquina la calidad de la predicción recae directamente en la calidad de la base de datos de entrenamiento y la definición de la clase, por lo tanto descripciones débiles de las familias de virus son la mayor limitación para construir un modelo coherente de clasificación de secuencias. Finalmente, el modelo de árboles de gradiente potenciado tiene la mejor probabilidad de predicción, encontramos que 8 familias que fueron predichas para los datos experimentales concuerdan con los reportes científicos para Culex sp. y Aedes sp. (Texto tomado de la fuente).Viruses are widely distributed in all the natural ecosystems and belong to one of the most diverse groups of biological entities. Though their estimated biodiversity is 1031 orders of magnitude, our current knowledge is still less than 1 %. Besides, due to the capacity to im- pact human health dramatically, as it has been seen in outbreaks like the current pandemic, it is essential to search for strategies that fast and reliable classify new viruses by using the available data efficiently as reference. Then, our goal is to search for flexible methods to filter and classify viral sequences from diverse sources using machine learning (ML) principles with a proper resolution, high ef- ficiency, and accuracy, but with flexibility. We have chosen support vector machine and gradient boosting as ML method that are more favorable in terms of computational resour- ces, performance and prediction and the data used was downloaded from the viral NCBI database to train our approach. Viral sequences from the databases were carefully filtered to train the model. After the filtering of the data, 19 families had more representative number of sequences. Finally, from this set of data, 80% was used to train the machine, and 20% was used to validate the taxonomic assignment. Viral sequences was change to numeric representation throught count vectorizer method into k-mers of varied sizes include 3 k-mers to preserve open reading frames (ORF’s) information and avoid overfitting. In this approach, our method allowed to find associations in family taxonomic level between the viral sequences and the viral taxonomy by using inference computational resources effi- ciently and unlike other conventional methods for sequence comparison. Nevertheless, it is essential to point out that ML approaches rely directly on the quality of the input data- set, and the class definition so weak description of some families of viruses are the major limitation to construct a coherent model to classify their sequences. Finally, the gradient boosting model have the highest prediction probability, we found 8 families predicted in the experimental data that agree with the scientific reports in different studies for Culex sp and Aedes sp.Programa de intercambio Alemán DAAD, por los esfuerzos económicos que facilitan el funcionamiento del laboratorio de biología computacional. Facultad de ciencias de la Universidad Nacional de Colombia, por los esfuerzos económicos que facilitan el funcionamiento del laboratorio de biología computacional.Desarrollo de modelos de máquina de aprendizaje para la clasificación taxonómica de secuencias víricas a nivel de familia, implementando los algoritmos de máquinas de soporte vectorial y árboles de gradiente potenciado.Incluye anexosMaestríaMagíster en BioinformáticaTecnologías computacionales en Bioinformáticaix, 72 páginasapplication/pdfspaUniversidad Nacional de ColombiaBogotá - Ingeniería - Maestría en BioinformáticaDepartamento de Ingeniería de Sistemas e IndustrialFacultad de IngenieríaBogotá, ColombiaUniversidad Nacional de Colombia - Sede BogotáProtocolo computacional para la asignación taxonómica de virus en metadatos genómicosComputational methodology for taxonomic characterization of virus in genomic metadataTrabajo de grado - Maestríainfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/acceptedVersionTexthttp://purl.org/redcol/resource_type/TMNathan C Medd, Simon Fellous, Fergal M Waldron, Anne Xu ́ereb, Madoka Nakai, Jerry V Cross, and Darren J Obbard. The virome of Drosophila suzukii, an invasi- ve pest of soft fruit. Virus Evolution, 4(1), 03 2018. vey009.Alice. Lustig and Arnold j. Levine. one hundred years of virology. Journal of virology, 66(8):4629–4631, 08 1992Guodong Liang, Xiaoyan Gao, and Ernest A Gould. Factors responsible for the emer- gence of arboviruses; strategies, challenges and limitations for their control. Emerging Microbes & Infections, 4(1):1–5, 2015. PMID: 26038768.Cameron P. Simmons, Jeremy J. Farrar, Nguyen van Vinh Chau, and Bridget Wills. Dengue. New England Journal of Medicine, 366(15):1423–1432, 2012. PMID: 22494122.Ana Valeria Bussetti, Gustavo Palacios, Amelia Travassos da Rosa, Nazir Savji, Komal Jain, Hilda Guzman, Stephen Hutchison, Vsevolod L. Popov, Robert B. Tesh, and W. Ian Lipkin. Genomic and antigenic characterization of jos virus. Journal of General Virology, 93(2):293–298, 2012.Alexander T Ciota and Laura D Kramer. Insights into arbovirus evolution and adap- tation from experimental studies. Viruses, 2(12):2594–2617, 12 2010.W B Whitman, D C Coleman, and W J Wiebe. Prokaryotes: the unseen majority. Proceedings of the National Academy of Sciences of the United States of America, 95(12):6578–6583, 06 1998.Simon Roux, Francois Enault, Bonnie L. Hurwitz, and Matthew B. Sullivan. Virsorter: mining viral signal from microbial genomic data. PeerJ, 3:e985, May 2015.Davide Chicco. Ten quick tips for machine learning in computational biology. BioData mining, 10:35–35, 12 2017.Mihai Pop. Genome assembly reborn: recent computational challenges. Briefings in bioinformatics, 10(4):354–366, 07 2009.Ben Langmead and Steven L. Salzberg. Fast gapped-read alignment with bowtie 2. Nature methods, 9(4):357–359, Mar 2012.G. N. Artemov, A. N. Peery, X. Jiang, Z. Tu, V. N. Stegniy, M. V. Sharakhova, and I. V. Sharakhov. The Physical Genome Mapping of Anopheles albimanus Corrected Scaffold Misassemblies and Identified Interarm Rearrangements in Genus Anopheles. G3 (Bethesda), 7(1):155–164, 01 2017.Yanqing Zhang and Jagath C Rajapakse. Machine learning in bioinformatics, volume 4. John Wiley & Sons, 2009.J. R. Brister, D. Ako-Adjei, Y. Bao, and O. Blinkova. NCBI viral genomes resource. Nucleic Acids Res, 43(Database issue):D571–577, Jan 2015.Machine learningVirologyVirus researchAprendizaje automático (Inteligencia artificial)VirologíaVirus-InvestigacionesMetavirómicaEnsamblajeAprendizaje de máquinaÁrboles de gradiente potenciadoMáquinas de soporte vectorialMetaviromicsAssemblyMachine learningBoosting treesSupport vector machineExpedición Virológica en Ecosistemas Representativos de Colombia: Selva Húmeda Tropical de la Sierra Nevada de santa Marta (No. 201010029276)ColcienciasEstudiantesInvestigadoresMaestrosPúblico generalORIGINAL1032467477.2020.pdf1032467477.2020.pdfTesis de Maestría en Bioinformáticaapplication/pdf7688403https://repositorio.unal.edu.co/bitstream/unal/80999/3/1032467477.2020.pdfa4f9271700a30e52d9dd614174c8c3fdMD53LICENSElicense.txtlicense.txttext/plain; charset=utf-84074https://repositorio.unal.edu.co/bitstream/unal/80999/4/license.txt8153f7789df02f0a4c9e079953658ab2MD54THUMBNAIL1032467477.2020.pdf.jpg1032467477.2020.pdf.jpgGenerated Thumbnailimage/jpeg4303https://repositorio.unal.edu.co/bitstream/unal/80999/5/1032467477.2020.pdf.jpg9a8874aaa0f6249b4668e074d6f98bdcMD55unal/80999oai:repositorio.unal.edu.co:unal/809992023-08-01 23:03:40.569Repositorio Institucional Universidad Nacional de Colombiarepositorio_nal@unal.edu.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 |