Graphing genomes in 2D, applications of multivariate statistics on the genomic composition

Next Generation Sequencing has moved the Big Data phenomenon into the Biological Sciences, making the understanding of biological data a computational challenge. In consequence, it is important to create tools that exploit human visual skills in the interpretation of this ever-increasing information...

Full description

Autores:
Martínez Villa, María Camila
Tipo de recurso:
Fecha de publicación:
2017
Institución:
Universidad de los Andes
Repositorio:
Séneca: repositorio Uniandes
Idioma:
eng
OAI Identifier:
oai:repositorio.uniandes.edu.co:1992/34158
Acceso en línea:
http://hdl.handle.net/1992/34158
Palabra clave:
Secuencia de nucleótidos - Investigaciones
Bioinformática - Investigaciones
Genómica - Investigaciones
Big Data - Investigaciones
Biología
Rights
openAccess
License
http://creativecommons.org/licenses/by-nc-sa/4.0/
id UNIANDES2_584bbbadcb6caaa9fb76de5ce0c0d1d8
oai_identifier_str oai:repositorio.uniandes.edu.co:1992/34158
network_acronym_str UNIANDES2
network_name_str Séneca: repositorio Uniandes
repository_id_str
dc.title.es_CO.fl_str_mv Graphing genomes in 2D, applications of multivariate statistics on the genomic composition
title Graphing genomes in 2D, applications of multivariate statistics on the genomic composition
spellingShingle Graphing genomes in 2D, applications of multivariate statistics on the genomic composition
Secuencia de nucleótidos - Investigaciones
Bioinformática - Investigaciones
Genómica - Investigaciones
Big Data - Investigaciones
Biología
title_short Graphing genomes in 2D, applications of multivariate statistics on the genomic composition
title_full Graphing genomes in 2D, applications of multivariate statistics on the genomic composition
title_fullStr Graphing genomes in 2D, applications of multivariate statistics on the genomic composition
title_full_unstemmed Graphing genomes in 2D, applications of multivariate statistics on the genomic composition
title_sort Graphing genomes in 2D, applications of multivariate statistics on the genomic composition
dc.creator.fl_str_mv Martínez Villa, María Camila
dc.contributor.advisor.none.fl_str_mv López Kleine, Liliana
Reyes Muñoz, Alejandro
dc.contributor.author.none.fl_str_mv Martínez Villa, María Camila
dc.contributor.jury.none.fl_str_mv Niño, Luis Fernando
dc.subject.keyword.es_CO.fl_str_mv Secuencia de nucleótidos - Investigaciones
Bioinformática - Investigaciones
Genómica - Investigaciones
Big Data - Investigaciones
topic Secuencia de nucleótidos - Investigaciones
Bioinformática - Investigaciones
Genómica - Investigaciones
Big Data - Investigaciones
Biología
dc.subject.themes.none.fl_str_mv Biología
description Next Generation Sequencing has moved the Big Data phenomenon into the Biological Sciences, making the understanding of biological data a computational challenge. In consequence, it is important to create tools that exploit human visual skills in the interpretation of this ever-increasing information. However, transforming genomic data into an image with biological meaning is particularly difficult because the information is not comprised in a single variable but a set of them. The distribution of genomic composition embedded in k-mer frequencies (frequencies of all possible substrings of size k) is a suitable approach, since it will allow us to obtain a specific signature of different organisms in order to classify and visualize them. The main goal of this study was to develop an R function to transform a genomic sequence into a specific 2D image based on k-mer frequencies and to proof that this visualization would keep biological relationships of organisms. The function was developed such that it fragments a genome, reduce the dimensionality of genomic composition measurements and assign a specific color (RGB) to each fragment, transforming it into an image pixel. This function was applied to 52 Bacterial genomes observing that related organisms presented similar color pattern across family, class and phylum. Also, a Mantel and Chi-squared tests were performed over two distinct distance matrices, one from pixel features and another from a traditional 16S-based phylogenetic tree, in order to assess statistical similarity of the obtained 2D images to classical phylogeny. In conclusion, image-based tools can help improve genomic comparisons, exploiting human visual capabilities.
publishDate 2017
dc.date.issued.none.fl_str_mv 2017
dc.date.accessioned.none.fl_str_mv 2020-06-10T08:58:50Z
dc.date.available.none.fl_str_mv 2020-06-10T08:58:50Z
dc.type.spa.fl_str_mv Trabajo de grado - Maestría
dc.type.coarversion.fl_str_mv http://purl.org/coar/version/c_970fb48d4fbd8a85
dc.type.driver.spa.fl_str_mv info:eu-repo/semantics/masterThesis
dc.type.content.spa.fl_str_mv Text
dc.type.redcol.spa.fl_str_mv http://purl.org/redcol/resource_type/TM
dc.identifier.uri.none.fl_str_mv http://hdl.handle.net/1992/34158
dc.identifier.pdf.none.fl_str_mv u806887.pdf
dc.identifier.instname.spa.fl_str_mv instname:Universidad de los Andes
dc.identifier.reponame.spa.fl_str_mv reponame:Repositorio Institucional Séneca
dc.identifier.repourl.spa.fl_str_mv repourl:https://repositorio.uniandes.edu.co/
url http://hdl.handle.net/1992/34158
identifier_str_mv u806887.pdf
instname:Universidad de los Andes
reponame:Repositorio Institucional Séneca
repourl:https://repositorio.uniandes.edu.co/
dc.language.iso.es_CO.fl_str_mv eng
language eng
dc.rights.uri.*.fl_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
dc.rights.accessrights.spa.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.coar.spa.fl_str_mv http://purl.org/coar/access_right/c_abf2
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv openAccess
dc.format.extent.es_CO.fl_str_mv 36 hojas
dc.format.mimetype.es_CO.fl_str_mv application/pdf
dc.publisher.es_CO.fl_str_mv Uniandes
dc.publisher.program.es_CO.fl_str_mv Maestría en Biología Computacional
dc.publisher.faculty.es_CO.fl_str_mv Facultad de Ciencias
dc.publisher.department.es_CO.fl_str_mv Departamento de Biología
dc.source.es_CO.fl_str_mv instname:Universidad de los Andes
reponame:Repositorio Institucional Séneca
instname_str Universidad de los Andes
institution Universidad de los Andes
reponame_str Repositorio Institucional Séneca
collection Repositorio Institucional Séneca
bitstream.url.fl_str_mv https://repositorio.uniandes.edu.co/bitstreams/cb31a1af-6d3f-4a78-b41b-7d8c0c2162d8/download
https://repositorio.uniandes.edu.co/bitstreams/b238406a-93d3-4651-b141-7bfaed4d4efd/download
https://repositorio.uniandes.edu.co/bitstreams/2c601da5-de2b-40ad-9656-118366b550ca/download
bitstream.checksum.fl_str_mv 255265ba908c7e1d2271c63894647e90
d8286aa5d1b2147a1fb4487953cdc64f
57eca7677ccafecf97b69efdd093e4a0
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
repository.name.fl_str_mv Repositorio institucional Séneca
repository.mail.fl_str_mv adminrepositorio@uniandes.edu.co
_version_ 1812134056894136320
spelling Al consultar y hacer uso de este recurso, está aceptando las condiciones de uso establecidas por los autores.http://creativecommons.org/licenses/by-nc-sa/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2López Kleine, Liliana3b050caa-7faf-48a1-8f2d-c45e46193ee9500Reyes Muñoz, Alejandrovirtual::16184-1Martínez Villa, María Camila07693608-d132-4681-91df-9355072301b7500Niño, Luis Fernando2020-06-10T08:58:50Z2020-06-10T08:58:50Z2017http://hdl.handle.net/1992/34158u806887.pdfinstname:Universidad de los Andesreponame:Repositorio Institucional Sénecarepourl:https://repositorio.uniandes.edu.co/Next Generation Sequencing has moved the Big Data phenomenon into the Biological Sciences, making the understanding of biological data a computational challenge. In consequence, it is important to create tools that exploit human visual skills in the interpretation of this ever-increasing information. However, transforming genomic data into an image with biological meaning is particularly difficult because the information is not comprised in a single variable but a set of them. The distribution of genomic composition embedded in k-mer frequencies (frequencies of all possible substrings of size k) is a suitable approach, since it will allow us to obtain a specific signature of different organisms in order to classify and visualize them. The main goal of this study was to develop an R function to transform a genomic sequence into a specific 2D image based on k-mer frequencies and to proof that this visualization would keep biological relationships of organisms. The function was developed such that it fragments a genome, reduce the dimensionality of genomic composition measurements and assign a specific color (RGB) to each fragment, transforming it into an image pixel. This function was applied to 52 Bacterial genomes observing that related organisms presented similar color pattern across family, class and phylum. Also, a Mantel and Chi-squared tests were performed over two distinct distance matrices, one from pixel features and another from a traditional 16S-based phylogenetic tree, in order to assess statistical similarity of the obtained 2D images to classical phylogeny. In conclusion, image-based tools can help improve genomic comparisons, exploiting human visual capabilities."La secuenciación de NGS ha trasladado el fenómeno Big Data a las Ciencias Biológicas, haciendo que la comprensión de los datos biológicos sea computacional un reto. Por lo cual, es importante crear herramientas que exploten la habilidades visuales humanas en la interpretación de información genómica que se encuentra en constante aumento. Sin embargo, el hecho de transformar datos genómicos en una imagen que tenga significado biológico es particularmente difícil porque la información no está comprendida en una sola variable sino en un conjunto de ellas. Por esto, las distribuciones de la composición genómica integrada en las frecuencias de k-mer (frecuencias de todas las subcadenas posibles de tamaño k) es una opcion adecuada, ya que nos permitirá obtener una firma específica de diferentes organismos para clasificarlos y visualizarlos. Asi, el objetivo principal de este estudio fue desarrollar una función R para transformar una genómica secuencia en una imagen 2D específica basada en las frecuencias k-mer y para probar que esto la visualización mantendría las relaciones biológicas de los organismos. La función fue desarrollada tal que fragmenta un genoma, reduce la dimensionalidad de las métricas de composición genómica y asigna un color específico (RGB) a cada fragmento, transformándolo en un píxel de imagen. Esta función se aplicó a 52 genomas bacterianos observando que los organismos más relacionados entre si, presentaron un patrón de color similar a través de familia, clase y phylum. Además, se realizaron pruebas de Mantel y Chi-cuadrado sobre dos matrices de distancia distintas, una de las características de píxeles y otra de una tradicional Árbol filogenético basado en 16S, con el fin de evaluar la similitud estadística de las imágenes en 2D y una filogenia clásica. En conclusión, las herramientas basadas en imágenes pueden ayudar mejorar las comparaciones genómicas, explotando las capacidades visuales humanas."--Tomado del Formato de Documento de Grado.Magíster en Biología ComputacionalMaestría36 hojasapplication/pdfengUniandesMaestría en Biología ComputacionalFacultad de CienciasDepartamento de Biologíainstname:Universidad de los Andesreponame:Repositorio Institucional SénecaGraphing genomes in 2D, applications of multivariate statistics on the genomic compositionTrabajo de grado - Maestríainfo:eu-repo/semantics/masterThesishttp://purl.org/coar/version/c_970fb48d4fbd8a85Texthttp://purl.org/redcol/resource_type/TMSecuencia de nucleótidos - InvestigacionesBioinformática - InvestigacionesGenómica - InvestigacionesBig Data - InvestigacionesBiologíaPublicationhttps://scholar.google.es/citations?user=hbXF8UEAAAAJvirtual::16184-10000-0003-2907-3265virtual::16184-1https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000395927virtual::16184-1f71489e5-69f6-4e6b-90a6-c6b1d3fecec7virtual::16184-1f71489e5-69f6-4e6b-90a6-c6b1d3fecec7virtual::16184-1ORIGINALu806887.pdfapplication/pdf10660527https://repositorio.uniandes.edu.co/bitstreams/cb31a1af-6d3f-4a78-b41b-7d8c0c2162d8/download255265ba908c7e1d2271c63894647e90MD51TEXTu806887.pdf.txtu806887.pdf.txtExtracted texttext/plain48617https://repositorio.uniandes.edu.co/bitstreams/b238406a-93d3-4651-b141-7bfaed4d4efd/downloadd8286aa5d1b2147a1fb4487953cdc64fMD54THUMBNAILu806887.pdf.jpgu806887.pdf.jpgIM Thumbnailimage/jpeg16922https://repositorio.uniandes.edu.co/bitstreams/2c601da5-de2b-40ad-9656-118366b550ca/download57eca7677ccafecf97b69efdd093e4a0MD551992/34158oai:repositorio.uniandes.edu.co:1992/341582024-03-13 15:39:34.524http://creativecommons.org/licenses/by-nc-sa/4.0/open.accesshttps://repositorio.uniandes.edu.coRepositorio institucional Sénecaadminrepositorio@uniandes.edu.co