Nuevo enfoque de aprendizajesemi-supervisado para la identiﬁcaciónde secuencias en bioinformática.pdf

UNIVERSIDAD NACIONAL DEL LITORAL
DOCTORADO EN INGENIERÍA
Nuevo enfoque de aprendizaje
semi-supervisado para la identificación
de secuencias en bioinformática
Cristian Ariel Yones
FICH
FACULTAD DE INGENIERÍA
Y CIENCIAS HÍDRICAS
sinc(i)
INSTITUTO DE INVESTIGACIÓN EN SEÑALES
SISTEMAS E INTELIGENCIA COMPUTACIONAL
INTEC
INSTITUTO DE DESARROLLO TECNOLÓGICO
PARA LA INDUSTRIA QUÍMICA
CIMEC
CENTRO DE INVESTIGACIÓN DE
MÉTODOS COMPUTACIONALES

Facultad de Ingeniería y Ciencias Hídricas
Instituto de Investigación en Señales, Sistemas e Inteligencia Computacional
NUEVO ENFOQUE DE APRENDIZAJE
SEMI-SUPERVISADO PARA
LA IDENTIFICACIÓN DE
SECUENCIAS EN BIOINFORMÁTICA
Tesis remitida al Comité Académico del Doctorado como
parte de los requisitos para la obtención del grado de
DOCTOR EN INGENIERÍA
Mención en Inteligencia Computacional, Señales y Sistemas
de la
2018
Comisión de Posgrado, Facultad de Ingeniería y Ciencias Hídricas, Ciudad Universitaria, Paraje “El Pozo”, S3000,
Santa Fe, Argentina.

Instituto de Investigación en Señales, Sistemas e Inteligencia Computacional
NUEVO ENFOQUE DE APRENDIZAJE
SEMI-SUPERVISADO PARA
LA IDENTIFICACIÓN DE
SECUENCIAS EN BIOINFORMÁTICA
Lugar de Trabajo:
sinc(i)
Instituto de Señales, Sistemas e Inteligencia Computacional
Universidad Nacional del Litoral
Director:
Dr. Diego H. Milone sinc(i), CONICET-UNL
Co-director:
Dra. Georgina Stegmayer sinc(i), CONICET-UNL
Jurado Evaluador:

DECLARACIÓN LEGAL DEL AUTOR
Esta Tesis ha sido remitida como parte de los requisitos para la obtención del grado académico de
Doctor en Ingeniería ante la Universidad Nacional del Litoral y ha sido depositada en la Biblioteca
de la Facultad de Ingeniería y Ciencias Hídricas para que esté a disposición de sus lectores bajo las
condiciones estipuladas por el reglamento de la mencionada Biblioteca.
Se permiten citaciones breves de esta Tesis sin la necesidad de un permiso especial, en la suposición
de que la fuente sea correctamente citada. El portador legal del derecho de propiedad intelectual de
la obra concederá por escrito solicitudes de permiso para la citación extendida o para la reproducción
parcial o total de este manuscrito.

TESIS POR COMPILACIÓN
La presente tesis se encuentra organizada bajo el formato de Tesis por Compilación, aprobado en
la resolución No 255/17 (Expte. No 888317-17) por el Comité Académico de la Carrera Doctorado en
Ingeniería, Facultad de Ingeniería y Ciencias Hídricas, Universidad Nacional del Litoral (UNL). De
dicha resolución:
“En el caso de optar por la Tesis por Compilación, ésta consistirá en una descripción técnica de al
menos 30 páginas, redactada en español e incluyendo todas las investigaciones abordadas en la tesis. Se
deberán incluir las secciones habituales indicadas a continuación en la Sección Contenidos de la Tesis.
Los artículos científicos publicados por el autor, en el idioma original de las publicaciones, deberán
incluirse en un Anexo con el formato unificado al estilo general de la Tesis indicado en la Sección
Formato. El Anexo deberá estar encabezado por una sección donde el tesista detalle para cada una
de las publicaciones cuál ha sido su contribución. Esta sección deberá estar avalada por su director
de Tesis. El documento central de la Tesis debe incluir referencias explícitas a todas las publicaciones
anexadas y presentar una conclusión que muestre la coherencia de dichos trabajos con el hilo conceptual
y metodológico de la tesis. Los artículos presentados en los anexos podrán ser artículos publicados,
aceptados para publicación (en prensa) o en revisión.”

Índice general
1. Introducción 1
1.1. Aprendizaje automático semi-supervisado . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2. Predicción automática de microARN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3. Objetivo general . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.4. Objetivos específicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2. Métodos propuestos 6
2.1. Procesamiento de secuencias de ARN de tipo tallo-horquilla . . . . . . . . . . . . . . . . 6
2.1.1. Ventaneo del genoma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.1.2. Plegado y poda . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.1.3. Recorte de secuencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.1.4. Filtrado de repetidas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.2. Extracción de características . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.2.1. Secuencia primaria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2.2. Estructura secundaria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2.3. Estabilidad termodinámica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.2.4. Estabilidad estadística . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.2.5. Conservación filogenética . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.2.6. Análisis de subcadenas de 22 nt . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.3. Clasificación de pre-miARNs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.3.1. Construcción del grafo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.3.2. Búsqueda de ejemplos negativos . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.3.3. Estimación de puntajes de predicción . . . . . . . . . . . . . . . . . . . . . . . . 14
2.3.4. Umbralización de los puntajes de predicción . . . . . . . . . . . . . . . . . . . . . 16
3. Resultados 17
3.1. Procesamiento de secuencias de ARN de tipo tallo-horquilla . . . . . . . . . . . . . . . . 17
3.2. Predicción de pre-microARN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
4. Conclusiones 24
5. Publicaciones 26
Apéndices 32
Contribuciones 33
HextractoR: an R package for automatic extraction of hairpins from genome-wide
data 34
miRNAfe: a comprehensive tool for feature extraction in microRNA prediction 40
Genome-wide pre-miRNA discovery from few labeled examples 66
vii

Índice de tablas
3.1. Cantidad de horquillas y pre-miARN en varios genomas . . . . . . . . . . . . . . . . . . 18
3.2. Comparación de tiempos de ejecución . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.3. Resultados en genoma completo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
viii

Índice de figuras
1.1. Aprendizaje semi-supervisado vs supervisado . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2. Aprendizaje inductivo vs. transductivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3. Estructura secundaria de un pre-miARN . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.1. Etapas de la predicción de microARN . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.2. Extracción de secuencias tipo tallo-horquilla . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.3. Evolución del grafo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3.1. Sensibilidad en animales y plantas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.2. Ḡ con pocos ejemplos de entrenamiento . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.3. AUC con pocos ejemplos positivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.4. Curvas ROC en genoma completo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
ix

Resumen
El aprendizaje maquinal ha tenido un gran desarrollo en los últimos años y ha permitido resolver
una gran cantidad de problemas en las más diversas disciplinas. Sin embargo, aún quedan grandes
desafíos por resolver, como lo es el aprendizaje en datos con alto grado de desbalance de clases o con
muy pocos datos etiquetados. Un caso particular de aplicación donde se presentan desafios como estos
es en la predicción computacional de secuencias de microARN (miARN). Los microARN (miARN) son
un grupo de pequeñas secuencias de ácido ribonucleico (ARN) no codificante que desempeñan un papel
muy importante en la regulación génica. En los últimos años, se han desarrollado una gran cantidad de
métodos que intentan detectar nuevos miARNs utilizando sólo información de estructura y secuencia,
es decir, sin medir niveles de expresión. El primer paso en estos métodos generalmente consiste en
extraer del genoma subcadenas de nucleótidos que cumplan con ciertos requerimientos estructurales.
En segundo lugar se extraen características numéricas de estas subcadenas para finalmente usar apren-
dizaje maquinal para predecir cuáles probablemente contengan miARN. Por otro lado, en paralelo
con los métodos de predicción de miARN se han propuesto una gran cantidad de características para
representar numéricamente las subcadenas de ARN. Finalmente, la mayoría de los métodos actuales
usan aprendizaje supervisado para la etapa de predicción. Este tipo de métodos tienen importantes
limitaciones prácticas cuando deben aplicarse a tareas de predicción real. Existe el desafío de lidiar
con un número escaso de ejemplos de pre-miARN positivos. Además, es muy difícil construir un buen
conjunto de ejemplos negativos para representar el espectro completo de secuencias no miARN. Por
otro lado, en cualquier genoma, existe un enorme desequilibrio de clase (1 : 10000) que es bien conocido
por afectar particularmente a los clasificadores supervisados.
Para permitir predicciones precisas y rápidas de nuevos miARNs en genomas completos, en esta
tesis se realizaron aportas en las tres etapas del proceso de predicción de miARN. En primer lugar,
se desarrolló una herramienta para extraer subcadenas de un genoma completo que cumplan con los
requerimientos mínimos para ser potenciales pre-miARNs miARN. En segundo lugar, se desarrolló
una herramienta que permite calcular la mayoría de las características utilizadas para predicciones de
miARN en el estado del arte. La tercer y principal contribución consiste en un algoritmo novedoso
de aprendizaje semi-supervisado que permite realizar predicciones a partir de muy pocos ejemplos de
clase positiva y el resto de las cadenas sin etiqueta de clase. Este tipo de aprendizaje aprovecha la
información provista por las subcadenas desconocidas (sobre las que se desea generar predicciones) para
mejorar las tasas de predicción. Esta información extra permite atenuar el efecto del número reducido
de ejemplos etiquetados y la pobre representatividad de las clases. Cada herramienta diseñada fue
comparada contra el estado del arte, obteniendo mejores tasas de desempeño y menores tiempos de
ejecución.

Sección 1
Introducción
1.1. Aprendizaje automático semi-supervisado
El aprendizaje automático es un campo de las ciencias de la computación que intenta dotar a
los sistemas informáticos de la capacidad de aumentar progresivamente su habilidad en una tarea
específica, sin la necesidad de ser específicamente programados para tal tarea (Samuel, 1959). Dentro
de este campo podemos identificar dos grandes grupos de técnicas: las de aprendizaje supervisado y
las de aprendizaje no supervisado. Las primeras utilizan un conjunto de datos que traen asociados una
etiqueta de clase (que indica a qué clase pertenece el objeto) o valor de salida deseado. El proceso de
aprendizaje consiste en generar un modelo que logre mapear los datos de entrada a los valores de salida
deseados (Russell and Norvig, 2016). El modelo además debe ser capaz de generalizar, es decir, generar
salidas correctas cuando reciba como entrada datos no vistos durante el proceso de aprendizaje. Por
otro lado, en el aprendizaje no supervisado el objetivo es generar modelos que descubran grupos o
relaciones subyacentes en los datos sin utilizar ningún tipo de etiqueta o valor de salida esperado.
Como punto intermedio entre los dos grupos de técnicas antes mencionados, se ha propuesto un
nuevo grupo de algoritmos, llamados de aprendizaje semi-supervisado (Chapelle et al., 2006). Este
tipo de algoritmos utiliza ejemplos etiquetados para aprender la distribución de las clases de la misma
forma que los métodos de aprendizaje supervisado, pero además aprovecha ejemplos no etiquetados
para modelar mejor el espacio de las características y así mejorar las tasas de clasificación. Como los
ejemplos no etiquetados proveen información extra sobre la distribución de los datos en el espacio de
las características, este grupo de técnicas obtiene buenas tasas de clasificación en problemas donde la
cantidad de datos etiquetados es baja o no es representativa de su clase. En la Figura 1.1 podemos ver
un ejemplo muy simple de cómo datos sin etiqueta pueden ayudar a reconocer los límites de las clases
de interés. En la Figura 1.1.a vemos 4 ejemplos de entrenamiento de dos clases diferentes y la frontera
de decisión que construiría un clasificador supervisado con estos datos de entrada. En el siguiente
cuadro vemos que los datos de entrenamiento en realidad no eran representativos de sus clases por lo
que la frontera de decisión falla al separarlas. Por otro lado, si se utiliza un esquema semi-supervisado
(Figura 1.1.c) este aprovecha tanto los datos etiquetados como los no etiquetados para descubrir la
distribución latente de los datos y de esta forma separar las dos clases satisfactoriamente.
Un concepto que está estrechamente relacionado con el aprendizaje semi-supervisado es el de apren-
dizaje transductivo. En esta configuración, los datos de entrenamiento se utilizan para hacer directa-
mente inferencias en datos de prueba. A diferencia de la mayoría de los métodos inductivos, donde
el algoritmo tiene dos etapas (entrenamiento e inferencia), los métodos transductivos tienen sólo una
etapa. En el esquema inductivo (Figura 1.2.a) el algoritmo de aprendizaje utiliza datos de entrena-
miento etiquetados para ajustar un modelo. En la segunda etapa, el modelo ya ajustado se usa para
hacer predicciones sobre datos nuevos (no vistos durante el entrenamiento). En el esquema transducti-
vo (Figura1.2.b) tanto los datos etiquetados como los no etiquetados se procesan juntos, en la misma
etapa. Como resultado, se obtienen etiquetas para los datos no etiquetados, pero ninguna función de
decisión, modelo entrenado o regla de clasificación. Cabe señalar que la validación de cualquier método
de transducción es bastante diferente de una estándar (inductiva). Dado que el entrenamiento y la
1

2 SECCIÓN 1. INTRODUCCIÓN
a) b) c) d)
Figura 1.1: Ejemplo de clasificación con aprendizaje supervisado (a-b) y con aprendizaje semi-
supervisado (c-d).
predicción se combinan en una etapa, al algoritmo se le proporcionan tanto los datos de entrenamiento
como los de prueba, pero los segundos sin etiquetas. Este tipo especial de validación se utiliza en todos
los algoritmos transductivos (Chapelle et al., 2006), donde las etiquetas de los casos de prueba nunca
se utilizan en ningún paso de la etapa de predicción.
1.2. Predicción automática de microARN
En los últimos años, la biología molecular demostró un importante avance en distintas áreas de la
investigación. Esta disciplina científica estudia la estructura, función y composición de las moléculas
biológicamente importantes y se relaciona fuertemente con otras áreas como la genética y la bioquímica.
En la actualidad se invierte un gran esfuerzo en estudiar las interacciones entre los numerosos sistemas
de las células, incluyendo las interacciones entre los diferentes tipos de ácido desoxirribonucleico (ADN),
ácido ribonucleico (ARN) y los procesos de síntesis de proteínas, y también cómo estas interacciones son
reguladas. Los avances en este campo permiten la generación de una gran cantidad de información que
requiere el uso de herramientas de cálculo altamente especializadas para el análisis. En este contexto,
la bioinformática ha tomado un papel muy importante ya que aporta herramientas que posibilitan la
explotación de estos datos.
Un problema abierto en Bioinformática desde hace más de una década es el de la predicción auto-
mática de microARNs (miARNs). Los miARNs son una clase de pequeñas moléculas (∼21 nucleótidos)
monocatenarias de ácido desoxirribonucleico no codificante que regulan la expresión de otros genes.
Se encuentran presentes tanto en animales como en plantas y su importancia en procesos biológicos
clave ha sido ampliamente documentada (Rosenzvit et al., 2013). Los miARNs están implicados, por
ejemplo, en la evolución del cáncer (sea como inhibidores o promotores de éste) (Yu et al., 2015), o en
procesos de infección viral (Lecellier et al., 2005). Además, identificar los miARNs de ciertas especies
tiene aplicaciones directas, como puede ser la mejora de cultivos (Liu and Chen, 2010) o, en anima-
les, el desarrollo de nuevas vacunas y antibióticos (Tsetsarkin et al., 2017). Estas pequeñas moléculas
normalmente se transcriben a partir de secuencias primarias de mayor tamaño, llamadas pri-miARNs.
Durante la biogénesis, las secuencias precursoras se pliegan sobre sí mismas formando una estructura
secundaria tipo tallo-horquilla como se puede ver en la Figura 1.3. Luego son separadas de la secuencia
principal y trasladadas fuera del núcleo. En este paso, la estructura toma el nombre de precursora del
miARN o pre-miARN. Finalmente el miARN es liberado del precursor para tomar un papel activo en
la regulación de la expresión de los genes.
En la última década, se utilizaron numerosos enfoques experimentales y computacionales para
identificar nuevos miARNs. Los métodos experimentales que se han usado tradicionalmente como el
clonado directo son capaces de detectar sólo miARNs que se expresan de forma abundante (Kleftogian-
nis et al., 2013). Los últimos avances en secuenciación permiten un alto nivel de cobertura, mitigando
estos efectos (An et al., 2013). Sin embargo, aquellos que se expresan en ciertas etapas de una especie,
o en tejidos específicos, pueden no ser detectados. Por otro lado, el desarrollo y posterior análisis de
los modelos computacionales entrenados para reconocer miARNs puede brindar pistas que permitan
caracterizar mejor estas moléculas y su biogénesis. Los enfoques computacionales utilizados para la
clasificación de secuencias candidatas a miARN pueden dividirse en dos grupos: métodos por homolo-
gía y métodos de aprendizaje automático. Los primeros se basan en la conservación de miARNs entre

1.2. PREDICCIÓN AUTOMÁTICA DE MICROARN 3
b)
Predicción
predicción
Secuencias
desconocidas
Clasificador
transductivo
Secuencias de
entrenamiento
etiquetas
Secuencias
desconocidas
a)
Predicción
predicción
Secuencias
desconocidas
Secuencias
desconocidas
Clasificador
inductivo
etiquetas
Secuencias de
entrenamiento
Entrenamiento
Figura 1.2: Aprendizaje inductivo y transductivo. a) Esquema tradicional inductivo con dos etapas
separadas; b) Esquema transductivo con sólo una etapa.
especies estrechamente relacionadas y, por lo tanto, no pueden usarse para miARNs que son específicos
de una especie (Ng and Mishra, 2007). Los métodos de aprendizaje automático utilizan un enfoque
diferente, que consiste en extraer primero características de pre-miARNs conocidos, de secuencias que
se utilizarán como ejemplos negativos y de las secuencias desconocidas que se desea clasificar. Después
se utilizan las características de las secuencias conocidas (tanto positivas como negativas) para entrenar
un clasificador de forma supervisada, para finalmente aplicarlo a las secuencias no conocidas y obte-
ner una predicción (Kleftogiannis et al., 2013). Las características que pueden usarse para representar
secuencias de ARN han sido ampliamente estudiadas (Lopes et al., 2014). Además, muchos algorit-
mos de aprendizaje supervisado han sido aplicados a este problema: máquinas de soporte vectorial,
modelos ocultos de Markov y ensambles de clasificadores, entre otros (Kleftogiannis et al., 2013). Sin
embargo todavía existen muchos problemas abiertos en la predicción de pre-miARNs con técnicas de
aprendizaje maquinal (Stegmayer et al., 2018).
La gran mayoría de los métodos de predicción del estado del arte toman como entrada secuencias
con estructura secundaria tipo tallo-horquilla y se encargan luego de extraer características, entrenar
un clasificador y hacer predicciones. Si bien este primer paso generalmente es ignorado, es fundamental
para lograr buenos resultados en las etapas posteriores. No sólo es importante lograr capturar todas las
secuencias con estructura secundaria tipo tallo-horquilla del genoma, sino que también es fundamental
que estas secuencias se corten en los lugares correctos. Si un pre-miARN se corta erróneamente con
una longitud mayor o menor a la real, las características calculadas pueden variar mucho y generar
resultados erróneos durante la etapa de predicción. Actualmente, la única herramienta disponible para
esta tarea (Durbin and Rice, 1999) no aprovecha los últimos avances en cuanto a la estimación de
estructuras secundarias, por lo que el número de secuencias que detecta es bajo y muchos pre-miARN
se pierden durante esta temprana etapa. Además, no se tiene en cuenta el contexto de la secuencia
para detectar dónde son los mejores puntos de corte. Las características utilizadas en la predicción de
pre-miARN son muy sensibles a pequeñas diferencias en el corte, por lo que elegir el punto óptimo es
crucial para obtener buenos resultados en la clasificación.
Por otro lado, durante la última década se ha desarrollado una gran cantidad de características
específicamente para el problema de predicción de microARN, que se pueden extraer tanto de las
secuencias o sus estructuras secundarias. Se han publicado muchas herramientas para calcular algunas
de estas características, pero estas están codificadas en diferentes lenguajes de programación y tienen
diferentes modos de acceso (web, línea de comandos, etc.). Además, varias de estas herramientas son
software propietario y el código fuente no está disponible 1
. Estas cuestiones dificultan en gran medida
el uso de muchas de estas características.
Por último, la etapa de predicción o clasificación de secuencias como posibles candidatos a pre-
miARN aún presenta importantes dificultades que no han sido resueltas satisfactoriamente. En primer
lugar, aunque el número de secuencias no pre-miARN que se pueden encontrar en cualquier genoma
1http://www.insybio.com/pages/ncrnaseq

4 SECCIÓN 1. INTRODUCCIÓN
3'
5' hsa-let-7e
Figura 1.3: Estructura secundaria de un pre-miARN humano. En rojo se puede ver resaltado el miARN
hsa-let-7e.
es grande, los ejemplos negativos que se utilicen deben ser representativos de la gran variedad de
secuencias no pre-miARN. En (Wei et al., 2014) se analizó la importancia de los ejemplos negativos
utilizados y cómo esto limita el rendimiento de los clasificadores. En la mayoría de los casos, los
conjuntos negativos que se usan para ajustar los modelos de clasificación se definen principalmente
con secuencias tomadas de regiones de codificación de proteínas, ARNm u otras regiones donde es
poco probable encontrar miARN (Peace et al., 2015; Tempel et al., 2015). Pero nada puede asegurar
que estas secuencias sean buenos representantes de todas las posibles secuencias no pre-miARN, o
que estén lo suficientemente cerca de los límites de la verdadera clase de pre-miARN. Por ejemplo, si
el poder de predicción de un clasificador se prueba en un conjunto de datos que tiene pre-miARNs
y ncARNs, lo que realmente se está midiendo es la capacidad de diferenciar entre estos dos tipos
de secuencia, pero el clasificador podría no descartar correctamente otras secuencias no pre-miARN.
Ningún método ha informado tasas de error teniendo en cuenta este punto crucial. Para abordar este
problema, algunos métodos utilizan secuencias tomadas de posiciones aleatorias de un genoma como
ejemplos negativos (Wenyuan et al., 2013; Gudyś et al., 2013). Sin embargo, en este caso, nada puede
garantizar que un pre-miARN no conocido se utilice erróneamente como un ejemplo negativo. En
ambas estrategias de construcción de conjuntos de ejemplos negativos, no se puede garantizar que los
ejemplos sean representativos de toda la clase negativa; y, lo que es peor, algunos de ellos podrían ser
falsos negativos. Otra característica de este problema que dificulta la aplicación simple de técnicas de
aprendizaje maquinal es el hecho de que el número de ejemplos positivos es muy bajo en cualquier
genoma, por lo cual este constituye un problema con muy alto desbalance entre clases. Este problema es
aún peor en especies no modelo, donde la cantidad de secuencias anotadas es muy baja. Una alternativa
puede ser utilizar pre-miARNs de especies cercanas como ejemplos positivos, pero recientemente se ha
demostrado (Lopes et al., 2016) que el problema de predicción de pre-miARNs es muy dependiente de
la especie, por lo que esta estrategia puede afectar el desempeño de las técnicas de predicción. Por otro
lado, la gran variedad de secuencias que se pueden utilizar como ejemplos negativos y el bajo número
de ejemplos positivos obliga a entrenar clasificadores con un desbalance muy grande entre el número
de secuencias positivas y las potencialmente negativas. Esto presenta una dificultad adicional ya que
está demostrado que las técnicas estándar de aprendizaje maquinal son muy sensibles al desbalance de
clases (Guo et al., 2008).
1.3. Objetivo general
El objetivo general de esta tesis es desarrollar nuevos métodos para la clasificación de candidatos a
pre-miARN a partir del genoma completo tanto de animales como de plantas, y capaces de desempe-
ñarse adecuadamente en un contexto de gran desbalance entre la clase de interés y una alta proporción
de secuencias no etiquetadas.
1.4. Objetivos específicos
A continuación se detallan los objetivos específicos de la presente investigación:
Desarrollar una metodología integrada y simple que permita encontrar automáticamente secuen-

1.4. OBJETIVOS ESPECÍFICOS 5
cias tipo tallo-horquilla en genomas completos.
Revisar e integrar todas las características utilizadas en la actualidad para la predicción de pre-
miARNs.
Desarrollar nuevos algoritmos de clasificación que incorporen etapas de aprendizaje semi-supervisado
para atacar los problemas de gran desbalance de clases y alta proporción de ejemplos no etique-
tados.
Validar las propuestas con genomas reales a través del trabajo multidisciplinario con expertos
del dominio.

Sección 2
Métodos propuestos
Siguiendo las ideas presentadas previamente, en la Figura 2 se presenta la metodología general
diseñada para la predicción de nuevos microARNs. El proceso consiste en tres etapas, en primer lugar
se deben extraer todas las subcadenas del genoma que tengan una estructura secundaria similar a la
de un pre-miARN. Luego, a estas secuencias candidatas se les extraen características para convertirlas
en vectores numéricos, procesables con métodos de aprendizaje maquinal. En paralelo, se comparan
todas las subcadenas con los pre-miARNs conocidos para marcar los ejemplos positivos. Finalmente,
se obtienen predicciones para las secuencias no etiquetadas utilizando un algoritmo de aprendizaje
maquinal semi-supervisado. En las siguientes subsecciones se describe con más detalle cada etapa del
proceso.
2.1. Procesamiento de secuencias de ARN de tipo tallo-horquilla
Como se mencionó antes, los pre-miARNs se pliegan en estructuras secundarias tipo tallo-horquilla.
Estas secuencias tienen una longitud promedio que depende de la especie, y un nivel de emparejamiento
relativamente alto. Estas características especiales de los pre-miARNs, además de ser útiles para una
primer etapa de filtrado, se pueden utilizar para cortar el genoma completo en subcadenas que pueden
ser procesadas más fácilmente por las siguientes etapas. El objetivo de esta etapa es entonces extraer
todas las secuencias tipo tallo-horquilla de un genoma cortando en los puntos donde se obtienen las
estructuras secundarias con la mayor estabilidad termodinámica posible.
Para ello, se predice la estructura secundaria de varios segmentos superpuestos de una longitud
mayor que la longitud media de las secuencias de la especies de interés, asegurándose de que nada se
pierda ni se corte de manera inapropiada. La longitud de la ventana de corte se puede configurar para
definir el tamaño máximo que tendrán las secuencias encontradas. Los pasos de procesamiento (ver
Figura2.1) se explican en detalle en las siguientes secciones.
2.1.1. Ventaneo del genoma
Se comienza cortando el genoma completo en ventanas solapadas de una longitud varias veces mayor
(500 nt.) a la de un pre-miARN promedio. La ventana debe ser lo suficientemente grande para poder
capturar la horquilla completa pero además para que se tenga en cuenta el entorno de cualquier posible
horquilla al estimar la estructura secundaria. Esto último es muy importante ya que los resultados de
estimar la estructura secundaria se ven muy afectados por el entorno de la secuencia. Por ejemplo,
sin considerar el entorno de una secuencia, la estructura secundaria estimada puede presentar una
estabilidad menor a la que se formaría si se habría considerado el entorno.
2.1.2. Plegado y poda
Se predice la estructura secundaria que formaría cada una de las ventanas al plegarse. Para ello se
utiliza el algoritmo de mínima energía libre (Zuker and Stiegler, 1981). Este algoritmo utiliza progra-
6

2.1. PROCESAMIENTO DE SECUENCIAS DE ARN DE TIPO TALLO-HORQUILLA 7
Clasificación
mirBase
Extraccion de
caracteristicas
dG
zD
MFEI1
l
steml
Nsloop
Nloop
.
.
.
0.101
0.086
0.122
80
74
3
11
.
.
.
=
Corte y plegado
Figura 2.1: Proceso completo de predicción de nuevos pre-miARNs, separado en sus tres etapas prin-
cipales.
mación dinámica para encontrar la estructura secundaria que minimiza la energía liberada. Dado que
las ventanas utilizadas son relativamente grandes, las estructuras normalmente presentan múltiples
bucles. Por lo tanto, el siguiente paso es buscar los puntos de corte que logren separar la estructura
completa en varias estructuras tipo horquilla, como se puede ver en la Figura 2.2. De las horquillas
extraídas, se eliminan las que no superan una longitud y nivel de emparejamiento mínimo y el resto
pasa a la siguiente etapa.
2.1.3. Recorte de secuencias
Como se utilizan ventanas de una longitud varias veces mayor a la de un pre-miARN promedio, ge-
neralmente las secuencias encontradas forman estructuras secundarias mayores a la de un pre-miARN.
Por este motivo es importante analizar cada secuencia para detectar si es necesario un recorte. Como
aún se desconoce el funcionamiento de las enzimas que se encargan de separar el pre-miARN de la
secuencia, se utilizan ciertas heurísticas que permiten obtener secuencias con longitudes y estabilidad
similares a las de un pre-miARN. Estas reglas optimizan la energía libre mínima normalizada por la
longitud de la secuencia (NMFE, por sus siglas en ingles Normalized Minimum Free Energy). Aunque
se pueden encontrar puntos de corte óptimos re-estimando la estructura secundaria para todos los
posibles cortes, utilizar reglas heuristicas proporciona más flexibilidad y acelera el proceso. Primero, la
secuencia debe exceder una longitud mínima, predefinida según la especie en estudio. De esta manera,
se puede asegurar que la estructura secundaria tenga una longitud suficiente para ser un pre-miARN
de la especie en análisis. En segundo lugar, los cortes se realizan en el primer nucleótido no emparejado
de un bucle interno o bulto de la estructura secundaria (comenzando desde el bucle principal). Para
elegir el bucle o bulto donde cortar se asigna una puntuación a cada imperfección como S(1 − D/L)2
,
donde S es la longitud de la imperfección, D es la distancia al bucle principal y L es la longitud del
tallo (desde el lazo principal hasta el último nucleótido emparejado). Si las imperfecciones en la estruc-
tura secundaria son grandes, es probable que cortar la secuencia en esos puntos genere una estructura
con menor NMFE. Por otra parte, cuanto menor es la longitud de la secuencia (independientemente
del nivel de emparejamiento), mayor es la NMFE. Por lo tanto, se favorecen los bucles o bultos más
cercanos al bucle principal.
2.1.4. Filtrado de repetidas
Las secuencias repetidas se eliminan para evitar costo computacional extra en las siguientes etapas.
Estas secuencias repetidas además perturban los resultados de los algoritmos de predicción utilizados
en la última etapa, ya que cada repetición aumenta la “importancia” que se le da a una secuencia. Dado
que la ventana se mueve de forma solapada, es posible que una estructura secundaría sea capturada más

8 SECCIÓN 2. MÉTODOS PROPUESTOS
2. Plegado y
poda
...GUGACGUACGACGUACGUACGUACGUACGUACGUACGUACUGCUGCUAGUGAUGCUACGAUCU
C
G
U
G
A
U
G
A
U
G
A
U
C
G
U
A
U
C
G
A
U
C
G
A
U
A
G
U
G
U
G
A
G
C
U
G
U
G
U
A
C
G
U
A
G
U
A
C
C
A
G
U
G
U
A
C
G
U
G
U
C
A
G
G
U
C
A
G
U
A
CU UCAGUGACGUGUCAGUACGUCGUGUCAGUAGUCGUAUCGAAUACGUCG...
3. Recorte de extremos
1. Ventaneo del genoma
completo
Conjunto final
de secuencias
4. Filtrado y etiquetado
Figura 2.2: Proceso de extracción de secuencias tipo tallo-horquilla del genoma completo.
de una vez. Estas repeticiones aparecen de forma consecutiva y son secuencias casi idénticas. Entonces,
lo único que puede variar es la longitud, dado que una horquilla puede caer en uno de los extremos de
la ventana, generando una horquilla más corta. Para eliminarlas se realiza una comparación de cada
secuencia con las últimas secuencias extraídas. Si una de las secuencias contiene a la otra, la más corta
se elimina.
2.2. Extracción de características
La extracción de características de pre-miARN consiste en convertir las secuencias de nucleótidos
(representadas como cadenas de caracteres) en vectores numéricos. De esta manera se pueden aplicar
técnicas de aprendizaje maquinal para lograr separar las secuencias pre-miARN de las que no lo son.
Como antes se expresó, se han presentado muchas características que pueden usarse para represen-
tar secuencias de ARN (Lopes et al., 2014), pero la variedad de herramientas para extraerlas son un
problema que dificulta su utilización. Estas tienen diferentes interfaces de acceso (web, línea de co-
mandos, interfaz gráfica, etc.) y no siempre son de libre acceso. Para resolver este problema se creó
una biblioteca que implementa de forma unificada todos los procesos de extracción publicados en la
literatura en los últimos 10 años. Esta herramienta puede extraer características de la mayoría de los
métodos de predicción de miARN de los últimos años: Triplet-SVM (Xue et al., 2005), RNAmicro
(Hertel and Stadler, 2006), BayesMiRNAfind (Yousef et al., 2006), MiRFinder (Huang et al., 2007),
MiPred (Jiang et al., 2007), miRRim (Terai et al., 2007), microPred (Batuwita and Palade, 2009),
miRanalyzer (Hackenberg et al., 2009), MiRenSVM (Ding et al., 2010) y miPredGA (Xuan et al.,
2011a).
La biblioteca, llamada miRNAfe, se construyó de forma modular para facilitar el proceso de agre-
gar nuevos algoritmos de extracción de características en el futuro. Además de la biblioteca, se creó
una interfaz web para simplificar el acceso a usuarios del dominio de aplicación sin conocimientos de
programación. Tanto la biblioteca como la versión web pueden calcular hasta 80 características donde
muchas son matrices multidimensionales. Las características se han dividido en seis grupos predefi-
nidos: secuencia primaria, estructura secundaria, estabilidad termodinámica, estabilidad estadística,
conservación entre genomas de diferentes especies y análisis de subcadenas de las secuencias. En las
próximas secciones se detalla en qué consiste cada grupo de características. Una lista completa de las
características descritas con mayor detalle se presentan en el Anexo 5.

2.2. EXTRACCIÓN DE CARACTERÍSTICAS 9
2.2.1. Secuencia primaria
Estas son las características más simples y representan información de la secuencia principal. MiR-
NAfe puede extraer un total de 5 características en este grupo: longitud de la secuencia (`), proporción
de cada base en la secuencia, proporción de dinucleótidos, contenido de guanina y citosina y relación
guanina-citosina. Las dos últimas características se definen como:
G + Ccontent =
G + C
G + C + A + U
, (2.1)
GCratio =
G
C
, (2.2)
donde G, C, A y U representan la cantidad de cada base encontrada en la secuencia (Hertel and
Stadler, 2006). Todas estas características forman un vector de 23 elementos, compuesto por: las 4
proporciones base, las 16 proporciones de dinucleótidos, la longitud de la secuencia, G + Ccontenido y
GCratio. Aunque estas características son bastante simples, han mostrado un alto poder discriminatorio
(Batuwita and Palade, 2009), y por lo tanto se usan en la mayoría de herramientas de predicción.
2.2.2. Estructura secundaria
Estas características representan información de la estructura secundaria y son el grupo más nu-
meroso. La característica más utilizada de este grupo, quizás por ser una de las primeras publicadas
para la predicción de pre-miARN, es la proporción de tripletas (Xue et al., 2005). Una tripleta es un
elemento formado con el estado de estructura (emparejado o no emparejado) de tres nucleótidos y
el tipo de base del nucleótido del medio. Un ejemplo de una tripleta es “. ((A ”, donde el paréntesis
representa un nucleótido emparejado, un punto uno no emparejado, y la letra es la base del nucleótido
del medio. Como hay 2 estados posibles para un nucleótido y 4 bases diferentes, se pueden formar 32
tripletas (4 × 23
). El número de ocurrencias de cada elemento en la secuencia se cuenta y se norma-
liza para producir un vector de 32 características. Un enfoque similar a las tripletas fue utilizado por
Huang et al. (2007), que propuso otra representación para la estructura secundaria. En primer lugar,
se definen cinco símbolos para indicar el estado de cada par de bases en el tallo: ‘=”, “:”, “−”, “.” y “∧”.
Cada uno de ellos corresponde al estado de coincidencia, falta de coincidencia, eliminación, inserción
por bucle interior e inserción por bulto, respectivamente. Luego, al tomar dos símbolos adyacentes,
se pueden formar 14 posibles combinaciones, cada una de las cuales tiene un significado especial. Por
ejemplo: “= −”, “= .”, y“=:” representan el límite del bucle principal, y “: ∧” representa que el bucle es
asimétrico. La frecuencia de cada combinación se usa como un vector de características. Esta represen-
tación también se puede usar para calcular cuatro características: pMatch, pMismatch, pDI y pBulge
(Huang et al., 2007). Estas características se calculan sobre supuestos miARN maduros, seleccionados
como la región de 22 nucleótidos donde el apareamiento de bases es máximo. Representan la frecuencia
de emparejamiento de bases, la frecuencia de no emparejamiento, las frecuencias de borrado e inserción
y la simetría de los bucles abombados, respectivamente.
Otro tipo de características se relaciona con estructuras llamadas tallos, que son motivos estructu-
rales que contienen más de tres pares de bases contiguas (Ng and Mishra, 2007). Estas características
son el número de tallos, la proporción de cada posible par de bases por tallo, el número promedio de
pares de bases por tallo y la longitud del tallo más largo. El resto de las características son la longitud
de la región del tallo (es decir, la cantidad de nucleótidos de la horquilla sin contar los que se encuen-
tran en el bucle principal, que no se debe confundir con los llamados tallos en Ng and Mishra (2007)),
longitud del bucle terminal, número de bucles, número de bultos, longitud de bucle más largo, número
de bucles simétricos y asimétricos, nucleótidos en bucles simétricos y asimétricos, región simétrica más
larga, longitud promedio de bucles simétricos, longitud promedio de bucles asimétricos, cantidad de
bultos y bucles de longitud 1, 2, ..., 6 y mayor que 7, número de pares de bases, proporción de pares de
bases, proporción de pares de bases ajustada y G+Ccontenido en el bucle terminal (Lopes et al., 2014).
Finalmente, la biblioteca permite calcular el recuento de lecturas a partir de los datos de RNAseq.
Esta característica necesita que el usuario proporcione un archivo adicional con lecturas, que se alinea
con las secuencias analizadas y cuenta sus correspondencias.

2.2.3. Estabilidad termodinámica
La característica más utilizada de este grupo es la energía mínima libre (MFE, por sus siglas en
ingles Minimum Free Energy): la energía estimada que una secuencia libera cuando se pliega en la
estructura secundaria más estable (Zuker and Stiegler, 1981). La energía libre del conjunto (EFE)
tiene un significado similar y se obtiene con el algoritmo de McCaskill (1990). Otras características de
este grupo se calculan como combinaciones de esos valores. Por ejemplo, el índice MFE 1 (MFEI1)
es la relación entre la energía libre mínima y el G + Ccontenido definido en (2.1). Del mismo modo, se
puede calcular la diferencia MFE − EFE, MFE ajustado, MFEI2, MFEI3 y MFEI4 (Batuwita
and Palade, 2009). También hay algunas características que utilizan enfoques teóricos de información
para estimar la confianza de la estructura secundaria predicha, como la entropía ajustada de Shannon
de las probabilidades de emparejamiento (Ng and Mishra, 2007), definida como
dQ =
1
`
X
i<j
pij log2 pij, (2.3)
donde pij es la probabilidad de que el nucleótido i forme un par con el nucleótido j y ` es la longitud
de la secuencia. Las probabilidades de cada par se calculan con el algoritmo de McCaskill (1990). Otro
ejemplo es la distancia de pares ajustada, definida como
dD =
1
`
X
i<j
pij(1 − pij). (2.4)
Además, en este grupo se puede calcular la frecuencia del conjunto, la diversidad, el potencial del
tallo 3’ y 5’ , y el potencial del bucle (Terai et al., 2007). Hay 15 funciones en este grupo, que se
describen con más detalle en el Anexo 5.
2.2.4. Estabilidad estadística
Se sabe que los precursores que contienen un miARN son más estables que las secuencias aleato-
rias. Las características de este grupo se calculan como la puntuación estándar (z-score) de cualquier
característica relacionada con la estabilidad (Bonnet et al., 2004). Para calcular este valor, se debe
generar una población aleatoria de secuencias intercambiando las bases de la secuencia analizada. De
esta forma, las secuencias generadas artificialmente conservan las proporciones de nucleótidos o inclu-
so la proporción de dinucleótidos si algunos intercambios están restringidos (la herramienta tiene una
opción para elegir qué método de intercambio usar). Utilizando las secuencias generadas, la estabilidad
de la secuencia original se puede medir con
z =
x − µ
σ
, (2.5)
donde x es el valor original de alguna característica relacionada con la estabilidad, µ es la media y σ es
la desviación estándar de la población de secuencias generada aleatoriamente. Este puntaje representa,
para un valor, cuántas desviaciones estándar un valor está por encima de la media de la población. Por
lo tanto, un puntaje z negativo indica una secuencia que es estadísticamente más estable que la media
de la población. Otra estadística utilizada para medir la estabilidad de la secuencia en comparación con
secuencias aleatorias es el valor p. Se calcula como la proporción de secuencias aleatorias que son más
estables que la secuencia analizada. Por lo tanto, un bajo valor de p indica que la secuencia analizada
es una de las secuencias más estables generadas con esa proporción de nucleótidos (o dinucleótidos).
Las medidas de estabilidad que se pueden normalizar con z-score son:
MFE (zMFE);
EFE (zEFE);
MFE ajustado (zG);
entropía de Shannon (zQ);

2.2. EXTRACCIÓN DE CARACTERÍSTICAS 11
propensión de pares de bases (zP) (Ng and Mishra, 2007) y
distancia de pares de bases (zD) (Ding et al., 2010).
El valor p se puede usar para normalizar MFE (pMFE) (Bonnet et al., 2004) y EFE (pEFE)
(Ding et al., 2010). Aunque el z-score y el p-value son similares, a menudo se usan juntas en predicción
ya que pueden tomar valores muy diferentes (Ding et al., 2010). En resumen, se pueden calcular 8
características en este grupo. Además se puede especificar el método de mezcla (preservación de la
composición de nucleótidos o dinucleótidos) y el número de secuencias aleatorias generadas.
2.2.5. Conservación filogenética
Cuando una parte del genoma se conserva entre especies relacionadas, es muy probable que tenga
un papel importante en el genoma. Las características de este grupo miden el nivel de conservación
entre secuencias de especies relacionadas filogenéticamente. Todas las características se calculan sobre
alineaciones de dos o más secuencias que el usuario debe proporcionar. Algunas características no sólo
tienen en cuenta el nivel de conservación, sino también la estabilidad termodinámica. Las características
de ese grupo son:
frecuencia de mutación (Huang et al., 2007), que es la proporción de bases que difieren de una
secuencia a otra;
entropía del brazo 5’ , el brazo 3’ , la región del bucle y la entropía mínima (la menor entropía
de las calculadas sobre una región de 21 nucleótidos (Hertel and Stadler, 2006));
número de diferencias en la estructura secundaria dividido por el número de diferencias entre las
secuencias (Huang et al., 2007);
promedio de MFE, dG y MFEI1;
diferencia de MFE entre dos secuencias alineadas dividida por el número de diferencias entre
las secuencias (Huang et al., 2007);
energía libre de la estructura secundaria de consenso;
conservación del brazo 3’ y del brazo 5’ y
puntaje de conservación (Terai et al., 2007), que se calcula usando dos procesos de Markov, uno
que se mueve en la dimensión de tiempo (sobre las ramas del árbol de evolución) y el otro en
dimensión espacial (sobre la secuencia);
Se pueden extraer un total de 14 características en este grupo, que se describen en detalle en el
Anexo 5.
2.2.6. Análisis de subcadenas de 22 nt
Estas características se calculan en todas las subcadenas de 22 nt dentro de una secuencia determi-
nada. Se basan en el hecho de que si una secuencia es un pre-miARN, una de las subcadenas analizadas
tiene que ser el miARN maduro y las características calculadas deben capturar sus particularidades.
Como resultado, se obtiene una matriz con longitud n = ` − 22, donde el elemento i-esimo representa
el valor de la característica calculada sobre la subcadena que comienza en la base i. MiRNAfe puede
extraer las siguientes 5 características en este grupo:
probabilidad de emparejamiento de bases en la subcadena (Lim et al., 2003), que es la suma de
probabilidades de emparejamiento de bases sobre la subcadena;
suma de bases no emparejadas en la subcadena;
suma de probabilidades de emparejamiento de bases en la estructura secundaria sin las probabi-
lidades de los nucleótidos de la subcadena;

Vector
de
etiquetas
Puntajes
de
predicción
b)
Figura 2.3: Evolución simplificada del grafo, el vector de etiquetas y el vector de puntajes de predicción
en los 4 pasos del método propuesto: a) Construcción de grafo; b) inicialización de conjunto negativo;
c) Estimación de puntajes de predicción; d) optimización del umbral.
simetría de bultos, como la diferencia entre la cantidad de bases no emparejadas en cada brazo
de la subcadena;
distancia desde la subcadena hasta el bucle terminal.
2.3. Clasificación de pre-miARNs
En esta etapa se utilizan pre-miARNs conocidos del genoma de la especie de interés para entrenar
un clasificador que realizará predicciones sobre otras secuencias de ARN, sobre las cuales no se conoce
su función. Las secuencias de pre-miARN utilizadas como ejemplos para el entrenamiento pueden
ser tomadas de alguna base de datos de pre-miARNs como mirBase (Kozomara and Griffiths-Jones,
2014), mientras que las secuencias no etiquetadas son el resultado del corte y plegado del genoma crudo.
Como antes se mencionó, utilizar métodos de aprendizaje maquinal supervisado presenta numerosas
limitaciones. Como enfoque más novedoso y superador del problema, se desarrolló un clasificador
semi-supervisado que aprenda la distribución de secuencias del genoma analizado en el espacio de las
características, utilizando las secuencias no etiquetadas. Aprovechando la información que aportan
estas secuencias, se pretende mejorar las tasas de predicción en situaciones donde la cantidad de
ejemplos es baja o cuando no son representativos de sus respectivas clases.
Durante la última década, una de las áreas más activas en el aprendizaje semi-supervisado ha
sido la de los métodos basados en grafos, donde cada nodo representa un punto de datos, y un borde
conecta nodos si son de alguna manera similares. Luego, utilizando los nodos etiquetados, se obtienen
etiquetas pronosticadas para el resto de los nodos sin etiqueta. Estos métodos han mostrado buenas
tasas de predicción (Joachims et al., 2003) y han podido manejar grandes volúmenes de datos. Se
ha desarrollado un nuevo algoritmo de predicción de este tipo que tiene en cuenta las características
particulares del problema: a) grandes volúmenes de datos; b) desbalance de clases muy alto; c) clase
negativa mal representada o directamente ausencia de ejemplos negativos. A continuación se describe
el nuevo clasificador propuesto, denominado miRNAss.
MiRNAss recibe como entrada un conjunto de vectores de características m-dimensional xi, que
representan secuencias, y un vector correspondiente de etiquetas `. El elemento i-iesimo en el vector
de etiquetas tiene un valor positivo γ+ si la secuencia i-esima es un pre-miARN conocido, un valor
negativo γ− si no es un pre-miARN, y cero si es una secuencia desconocida que debe ser clasificada por
el método. El método tiene cuatro pasos: 1) construcción de un grafo donde cada nodo representa una
secuencia; 2) busqueda de ejemplos negativos, si no se proporcionan; 3) estimación de los puntajes de

2.3. CLASIFICACIÓN DE PRE-MIARNS 13
predicción para cada nodo en el grafo; y 4) estimación de un umbral óptimo para separar las secuencias
en dos clases.
La Figura 2.3 muestra un ejemplo de la aplicación del método. En este ejemplo, 15 secuencias son
verdaderos pre-miARN y el resto son secuencias no pre-miARN. En la Figura 2.3.a, el grafo se construye
y se asignan los valores iniciales a `: valores positivos (γ+) a los ejemplos conocidos de pre-miARNs. En
la Figura 2.3.b, algunos nodos que están topológicamente lejos de los ejemplos positivos se etiquetan
como ejemplos negativos (γ−). Los nodos del grafo están coloreados de acuerdo con los valores en el
vector `. En la Figura 2.3.c, los puntajes de predicción se estiman para todas las secuencias, teniendo en
cuenta que: i) tienen que ser suaves; es decir, las secuencias topológicamente cercanas en el grafo deben
tener puntajes de predicción similares; y ii) los puntajes tienen que ser similares a los valores distintos
de cero dados en el vector de etiqueta `. Finalmente, usando los puntajes de predicción asignados a los
ejemplos marcados se estima un umbral óptimo para separar los pre-miARN de las otras secuencias.
Las secuencias que pasan el umbral están coloreadas en verde; el resto, en rojo.
2.3.1. Construcción del grafo
Al construir el grafo, cada nodo representa una secuencia y cada arista une dos nodos si las secuen-
cias son similares en el espacio de las características. Para medir la similaridad se utiliza la distancia
euclidea entre los vectores de características. Si una característica no ayuda realmente a discriminar
entre clases, puede empeorar el rendimiento del clasificador. Por lo tanto, es importante preprocesar
los vectores de características para ponderar adecuadamente cada característica de acuerdo con su
poder de predicción. Un algoritmo que ha demostrado mejorar los resultados en clasificadores que son
sensibles a la función de distancia es el algoritmo RELIEF-F (Kononenko, 1994; Wettschereck et al.,
1997). Además, es computacionalmente eficiente y puede usarse para grandes volúmenes de datos.
Funciona de la siguiente manera: comenzando con un vector de pesos con m ceros, para cada ejemplo
busca el ejemplo más cercano de la misma clase y el ejemplo más cercano que pertenezca a la otra
clase. Luego, aumenta los pesos de las características que son similares al ejemplo de la misma clase y
diferentes al ejemplo de la otra clase. Por el contrario, se reducen los pesos de las características que
son diferentes al ejemplo de la misma clase o similares al ejemplo de la otra clase. El resultado se llama
vector de relevancia y tiene valores altos para las características más discriminativas. Si la relevancia
de una característica es negativa, entonces no ayuda a discriminar entre clases y por lo tanto puede
ser eliminada. El resto de las características se escala por su puntaje de relevancia para dar más peso
a las más discriminativas.
Para la construcción del grafo, una opción común es el algoritmo de k-vecinos más cercanos (Epps-
tein et al., 1997), dado que es simple, rápido, eficiente en uso de memoria y fácilmente paralelizable.
Este algoritmo construye una matriz de adyacencia ponderada por similitud con elementos
aij =
(
µ
µ+||xi−xj ||2 si xj ∈ K(xi) y `i`j ≥ 0
0 en otro caso,
(2.6)
donde xi es el vector de características correspondiente a la secuencia i-esima, K(xi) es el conjunto de
los k vecinos más cercanos de xi, y µ es la media de las distancias entre las secuencias conectadas y se
utiliza para normalizar los pesos de las aristas.
2.3.2. Búsqueda de ejemplos negativos
Si sólo se cuenta con ejemplos positivos, la matriz de adyacencia se puede utilizar para etiquetar un
conjunto de secuencias como ejemplos negativos. La idea clave es seleccionar aleatoriamente algunas
secuencias sin etiqueta entre las más distantes a los ejemplos positivos. De esta forma, la probabilidad
de etiquetar incorrectamente un pre-miARN bien conocido como un ejemplo negativo será baja. Para
ello, se calcula una medida de la similitud de cada secuencia con los ejemplos positivos utilizando
la distancia topológica. Este vector de similitud, llamado s, se inicializa con +1 en los elementos
correspondientes a ejemplos positivos. Los nodos sin etiqueta se inicializan con 0. Entonces, se puede
usar un método iterativo para actualizar las similitudes en s (ver Algoritmo 1). En cada iteración
y para cada nodo, el valor de similitud correspondiente de cada vecino se multiplica por los pesos

Algoritmo 1 Búsqueda automática de ejemplos negativos
Entrada: matriz de adyacencia A, vector de etiquetas ` con ceros y valores positivos únicamente,
número de ejemplos negativos a etiquetar T.
Salida: vector ` con T etiquetas negativas asignadas.
1: si =
(
1 si `i > 0
0 en otro caso
2: repetir
3: si = máx
∀j6=i
{si, aijsj}, ∀i
4: mientras no hay cambios en s
5: pi = e1−si
− 1, ∀i
6: Muestrear T elementos de ` usando p como pesos para la selección
7: Etiquetar elementos elegidos como clase negativa
8: devolver `
de aristas correspondientes que los conectan. El valor máximo de los resultados obtenidos para cada
vecino se compara luego con el valor de similitud actual del nodo. Si es más alto, se actualiza el valor
de similitud del nodo. Cuando no hay más cambios en s, se seleccionan T secuencias de forma aleatoria
usando como probabilidad de selección pi = e1−si
− 1 y se etiquetan como ejemplos negativos.
2.3.3. Estimación de puntajes de predicción
En el tercer paso, los puntajes de predicción se calculan resolviendo un problema de optimización
(Joachims et al., 2003). Como se dijo anteriormente, se deben considerar dos puntos: i) los puntajes de
predicción deben ser topológicamente suaves; y ii) las predicciones deben ser similares a las etiquetas
conocidas. Para suavizar la predicción se minimiza el cuadrado de las diferencias entre las puntuaciones
de predicción de las secuencias adyacentes. Una representación conveniente para calcular fácilmente
estas diferencias es el laplaciano normalizado del grafo (Shi and Malik, 2000), definido como
L = I − D−1/2
AD−1/2
donde
Dij =
(Pn
k=0 Aik si i = j
0 en otro caso.
El laplaciano tiene una propiedad útil para medir la suavidad de la solución. Supongamos z ∈ RN
, con
una predicción para cada nodo del gráfico. Entonces,
zT
Lz = zT
Iz − zT
D−1/2T
AD−1/2
z =
=
n
X
i
z2
i −
n
X
i
n
X
j
zi
√
dii
zj
p
djj
aij =
=
1
2
n
X
i
n
X
j
aij
zi
√
dii
−
zj
p
djj
!2
.
(2.7)
Esta última expresión muestra que zT
Lz mide la diferencia al cuadrado entre las predicciones zi y zj,
ponderados por aij. Si las secuencias i y j son similares, y por lo tanto aij tiene un valor relativamente
alto, cualquier diferencia entre las dos predicciones tendrá un alto costo. Si no hay arista que conecte
las dos secuencias, aij = 0 la diferencia entre las predicciones se ignora. Además, se debe tener en
cuenta que las predicciones se ponderan por el inverso de la raíz cuadrada del grado del nodo. Como
resultado, los nodos con un grado pequeño se consideran tan importantes como los nodos altamente
conectados.

2.3. CLASIFICACIÓN DE PRE-MIARNS 15
Entonces, la función objetivo tiene dos componentes: el primer término mide la falta de suavidad
de la solución usando la matriz laplaciana normalizada (componente no supervisada del aprendizaje),
y el segundo término es la diferencia al cuadrado entre predicciones y etiquetas distintas de cero en `
(componente supervisada). Para aprovechar al máximo el aprendizaje semi-supervisado, no debe haber
una gran superposición entre las clases que se separarán. Sin embargo, si este requisito previo no se
cumple, el primer término de la función objetivo no tendrá ningún mínimo importante. Por lo tanto, el
segundo término de la ecuación (el supervisado) conducirá la búsqueda. De esta forma, si no hay una
separación clara entre las clases, el método se comportará de forma similar a cualquier otro método
supervisado en las mismas condiciones.
El problema de optimización completo queda definido como
arg mı́n
z
zT
Lz + c(z − `)T
C(z − `)
s.a. zT
1 = 0,
zT
z = n
(2.8)
donde la combinación de ambas restricciones evita soluciones triviales. En la primera restricción se
requiere que la suma de los elementos de z sea cero; es decir, las etiquetas de predicción deben tener
tanto valores negativos como positivos. La segunda restricción elimina las versiones escaladas de la
solución que, para nuestro propósito, son todas equivalentes.
Los valores `i se establecen en γ+, γ− o cero, dependiendo de si la secuencia i-esima es positiva,
negativa o desconocida, respectivamente. Como la función objetivo obliga a los valores de z a acercarse
a γ+ o γ−, estas constantes deben definirse de manera tal que la solución óptima z?
pueda satisfacer
ambas restricciones del problema. Si n+ y n− son las cantidades reales de nodos positivos y negativos
en la solución, definiendo γ+ =
p
n−/n+ y γ− = −
p
n+/n− se consigue que z?
satisfaga ambas restric-
ciones. Esto se puede observar al reemplazar z?
en las restricciones y asumiendo que este vector tiene
n+ elementos iguales a γ+ y n− iguales a γ−. Los números n+ y n− son generalmente desconocidos,
pero se pueden estimar fácilmente a partir de los ejemplos disponibles. Si se proporcionan ejemplos
positivos y negativos para el entrenamiento, se calculará n+/n− como la proporción de ejemplos dados.
Si sólo hay ejemplos positivos, n+ se estima como el doble del número de secuencias de entrenamiento
y n− = n−n+. Esta estimación podría mejorarse utilizando el conocimiento del dominio, es decir, uti-
lizando el número esperado de miARNs para una especie determinada; sin embargo, no es necesario ya
que el método propuesto no es sensible a estos parámetros (ver Figura S1 en el Material Suplementario
del Anexo 5). Por lo tanto, cualquier valor entre el número de secuencias de entrenamiento positivas y
cuatro veces este número se puede utilizar sin impacto en el rendimiento.
La constante c en la función objetivo se puede usar para establecer el peso relativo del segundo
término en comparación con el primero. Un valor grande de c otorga una mayor penalización a las cla-
sificaciones erróneas, lo que lleva los puntajes de predicción a valores similares a las etiquetas distintas
de cero `. Por el contrario, si se usa un valor bajo de c, las clasificaciones erróneas se penalizan menos
y el primer término domina la función objetivo, lo que produce una solución más suave. La matriz C
en el segundo término es una matriz diagonal que tiene valor cero en los elementos correspondientes
a secuencias desconocidas. De esta manera, las secuencias sin etiqueta se ignoran en este término. En
los elementos distintos de cero (correspondientes a los ejemplos etiquetados), el valor asignado per-
mite diferentes penalizaciones por clasificación errónea para cada secuencia. Esta ponderación puede
usarse, por ejemplo, para asignar valores inferiores a los pre-miARN que no han sido validados ex-
perimentalmente o que son ejemplos negativos poco confiables. También se puede usar para evitar la
clasificación errónea de ejemplos etiquetados. En la Sección S2 del Material Suplementario del Anexo 5
se demuestra que si Cii > (nn+)/(cn−), la clasificación incorrecta de la secuencia iesima tendrá una
mayor penalización que cualquier penalización en el término no supervisado. Entonces, no puede ser
mal clasificado. Como valor predeterminado los elementos distintos de cero de C se establecen en 1,
tanto para los ejemplos positivos como negativos.
Para resolver este problema de optimización primero calculamos la descomposición espectral del
laplaciano L = UΣUT
. A continuación, utilizamos un nuevo vector de parámetro w tal que z = Uw.
Como el vector propio correspondiente al valor propio más bajo siempre es constante, la primera

restricción del problema de optimización se convierte en w1 = 0. Si definimos V como la matriz con
todos los vectores propios, excepto el primero, y H como la matriz diagonal con todos los valores
propios, excepto el más bajo, obtenemos el siguiente problema de optimización
arg mı́n
w
wT
Hw + c(V w − `)T
C(V w − `)
s.a. wT
w = n.
(2.9)
Definiendo Q = H + cV T
CV y b = cV T
C`, este problema puede reescribirse como
arg mı́n
w
wT
Qw + 2bT
w + c`T
C`
s.a. wT
w = n,
(2.10)
donde el último término se puede descartar dado que es constante. Usando los multiplicadores de
Lagrange el mínimo global de esta función se produce en w?
= (Q − λ?
I)−1
b. Ahora, usando los
resultados de Gander et al. (1989), λ?
se puede calcular como el menor autovalor de
M =

Q −I
bbT
n Q

. (2.11)
A partir de esta solución, las etiquetas se calculan como z?
= V w?
.
2.3.4. Umbralización de los puntajes de predicción
Dados los altos desbalances que están presentes en los datos de un genoma completo, es necesario
aumentar el costo de clasificación errónea de la clase positiva. Mientras que la matriz C se puede usar
para asignar diferentes costos de clasificación errónea en el proceso de optimización, estimar el umbral
que se aplicará en z es un método más flexible ya que permite optimizar una única vez y luego elegir
la medida de rendimiento a maximizar. Dado que se espera que los puntajes de predicción ordenen las
secuencias de acuerdo a la probabilidad de ser pre-miARNs, modificar el umbral utilizado para separar
las dos clases equivale a clasificar con distintas ponderaciones por clase (Mease et al., 2007).
Una métrica de evaluación común que se usa en problemas con desbalance de clases es la media
geométrica (Ḡ) de la sensibilidad y la especificidad Ḡ =
√
S+S− (Batuwita and Palade, 2009; Gudyś
et al., 2013), donde S+
es la proporción de secuencias positivas correctamente clasificadas como po-
sitivas (sensibilidad), y S−
es la proporción de secuencias negativas correctamente clasificadas como
negativas (especificidad). Esta medida tiene la ventaja de dar la misma importancia a las clases ne-
gativas y positivas, independientemente de la cantidad de elementos en cada clase. Una mejor medida
es el F-score, F1 = 2 P S+
/(P + S+
), donde P es la precisión (la proporción de verdaderos positivos
dentro de las secuencias clasificadas como positivas). Cuando se utiliza F1 para la optimización del
umbral se obtiene una mejor P a costa de una S+
más baja. Debido al gran desbalance de clases en
este problema de clasificación, es importante prestar especial atención a la cantidad de falsos positivos.
Por lo tanto, F1 es una mejor medida para este problema.
Los puntajes de predicción obtenidos para los ejemplos etiquetados se pueden usar para encontrar
el umbral que maximice cierta medida de rendimiento objetivo. Debe señalarse que esto es sólo una
estimación, ya que se desconoce la clase real a la que pertenecen las secuencias no etiquetadas. Por esta
razón, si ordenamos los puntajes de predicción z?
y calculamos la medida de desempeño utilizando
como umbral cada valor de este vector, entre dos ejemplos etiquetados consecutivos aparecerán regiones
donde esta medida se hace constante. Si el número de ejemplos etiquetados es bajo, estas regiones
constantes pueden ser relativamente grandes. Por lo tanto, el umbral final se establece como el punto
medio entre el puntaje de predicción más alto y más bajo donde se maximice la medida de rendimiento
(ver Figura S3 del anexo 5).

Sección 3
Resultados
3.1. Procesamiento de secuencias de ARN de tipo tallo-horquilla
Se ha desarrollado una herramienta llamada HextractoR, simple e integrada, que automáticamente
extrae y pliega todas las secuencias de horquilla a partir de datos brutos del genoma completo. El mé-
todo propuesto aprovecha los últimos avances en la predicción de estructuras secundarias. Al procesar
grandes ventanas superpuestas, no se pierden ni se cortan de manera inapropiada las horquillas. Ade-
mas, permite procesar genomas en paralelo y con pocos requisitos de memoria, ya que puede dividir
automáticamente archivos de entrada demasiado grandes.
Se procesaron varios genomas y los resultados se compararon con los del programa mirCheck
de EMBOSS (Olson, 2002). La Tabla 3.1 muestra los resultados del procesamiento de 5 genomas
completos: Homo sapiens, Arabidopsis thaliana, Danio rerio, Anopheles gambiae y Caenorhabditis
elegans, además de otra especie menos estudiada Echinococcus multilocularis. Para cada uno se muestra
el número de secuencias extraídas con mirCheck y HextractoR, en la segunda y tercera columna,
respectivamente. Con respecto a los pre-miARNs en particular se informa, en cada genoma analizado,
en la cuarta columna de la tabla el número de pre-miARNs conocidos (de acuerdo con miRBase 21)
para las 6 especies. La proporción de aquellos encontrados por los métodos comparados se muestra en
las dos últimas columnas. Se puede ver claramente que en todos los casos el rendimiento de HextractoR
es superior. Además, en muchos casos, el 100 % de los pre-miARNs conocidos se extraen correctamente.
Las diferencias en cantidad de pre-miARNs encontrados que muestra la Tabla 3.1 se pueden deber a
varios motivos. En primer lugar, como se ve en la segunda y tercer columna, HextractoR consigue cap-
turar más horquillas que mirCheck. Al utilizar ventanas solapadas de un tamaño varias veces mayor al
de una horquilla para recorrer el genoma, HextractoR consigue capturar cualquier horquilla. MirCheck
se podría configurar para que utilice ventanas con una mayor longitud, pero en ese caso descartaría la
mayoría de las secuencias porque estas formarían estructuras con varios bucles y mirCheck no realiza
el proceso de separación en horquillas como si lo hace HextractoR.
3.2. Predicción de pre-microARN
En esta sección se presentan los resultados de los experimentos realizados para probar el rendi-
miento de miRNAss en diferentes condiciones. En la primera subsección, se reprodujeron experimentos
realizados por otros autores para comparar miRNAss con métodos supervisados del estado del arte en
condiciones controladas. Los conjuntos negativos fueron definidos artificialmente por los autores origi-
nales y en este caso la proporción de ejemplos etiquetados fue muy alta en relación a la que se puede
encontrar en genomas reales. En la segunda subsección el porcentaje de ejemplos etiquetados se redujo
gradualmente para acercarse más a un caso real de predicción de pre-miARN. Además, miRNAss se
probó en un esquema de una clase, donde sólo se conocían ejemplos positivos (pre-miARNs reales) de
antemano. En la última subsección, miRNAss se aplicó a una tarea de predicción real a partir de datos
del genoma completo de 3 especies modelo, sin ejemplos negativos y utilizando sólo un bajo número
17

18 SECCIÓN 3. RESULTADOS
Especies
Horquillas extraídas pre-miARNs encontrados pre-miARNs
Einverted HextractoR Einverted HextractoR conocidos
Anopheles gambiae 1.410.532 4.276.543 92,42 % 100,00 % 66
Caenorhabditis elegans 875.588 1.739.124 90,00 % 99,60 % 250
Danio rerio 11.028.128 23.214.338 93,06 % 99,42 % 346
Echinococcus multilocularis 509.530 1.898.911 81,81 % 100,00 % 22
Arabidopsis thaliana 874.320 1.357.455 91,69 % 94,77 % 325
Homo sapiens 18.654.426 48.206.494 85,38 % 97,45 % 1881
Tabla 3.1: Cantidad de horquillas y pre-miARNs encontrados por cada método en el genoma de 6
especies
de ejemplos positivos. En esta última prueba había un enorme desbalance de clases y se procesaron
más de un millón de secuencias de entrada.
3.2.1. Comparación con métodos del estado del arte
Se estableció F1 como medida de desempeño utilizada para la optimización del umbral en todos
los métodos. Los experimentos se diseñaron para estimar el desempeño de métodos de aprendizaje
supervisado, por lo que se utiliza un esquema estándar de validación cruzada con 10 particiones. En
este esquema, la mayoría de las secuencias están etiquetadas artificialmente para el entrenamiento,
y sólo un 10 % queda sin etiquetar. Por lo tanto, es importante señalar que la principal ventaja de
miRNAss, que es explotar datos no etiquetados para mejorar los resultados, no se puede aprovechar
en estos experimentos. Para una comparación justa, en estos experimentos los clasificadores usan las
mismas características. Este conjunto está compuesto por 7 características de miPred (Ng and Mishra,
2007), más 14 de microPred (Batuwita and Palade, 2009) y 7 añadidas por Gudyś et al. (2013). Para
obtener más detalles sobre el conjunto de características, se puede consultar la Sección S4 del Anexo 5.
Como antes se especificó, se ejecutó una validación cruzada estratificada de 10 particiones en cinco
conjuntos de datos y se compararon los resultados con los obtenidos por HuntMi (Gudyś et al., 2013).
Las particiones fueron construidas al azar usando una semilla fija para tener experimentos totalmente
reproducibles. Tres conjuntos de datos contenían una mezcla de secuencias de diferentes especies, que
se agruparon en los conjuntos de datos animales (10 especies), plantas (7 especies) y virus (29 especies).
Los otros dos conjuntos de datos contenían secuencias de Homo sapiens y Arabidopsis thaliana. Los
parámetros utilizados en miRNAss fueron los mismos en todas las pruebas: c = 1 y k = 10 (tanto para
RELIEF-F como para la construcción de grafos). MiRNAss se probó con y sin RELIEF-F, para medir
su impacto en el rendimiento. La ponderación de características se calculó utilizando sólo los datos de
entrenamiento de cada partición.
Los tiempos de computo medidos 1
en cada partición se promediaron y se presentan en la Tabla 3.2.
La primera columna muestra el número total de secuencias. La segunda y tercera columnas indican
el número de secuencias pre-miARN y no pre-miARN en cada conjunto de datos. La cuarta y quinta
columnas presentan los tiempos que demoró cada método. La última columna muestra el cociente entre
el tiempo que tardó HuntMi y el tiempo que tardó miRNAss. La mayor diferencia se observó en el
conjunto de datos más pequeño (virus): miRNAss fue 38 veces más rápido que HuntMi. Arabidopsis es
el segundo conjunto de datos más pequeño, y aquí miRNAss fue 14 veces más rápido. En los siguientes
tres conjuntos de datos las diferencias de tiempo de computación entre miRNAss y HuntMi aumentaron
a medida que crecía el número de secuencias. Estos resultados muestran que miRNAss no sólo es mucho
más rápido sino que el costo computacional crece más rápido en HuntMi. Tales diferencias pueden ser
irrelevantes en pequeños conjuntos de datos como los que se utilizan en esta subsección, pero se vuelven
muy importantes en tareas de predicción de genoma completo, donde se procesan varios millones de
secuencias. Por ejemplo, si extrapolamos los tiempos de entrenamientos utilizando los datos de la
tabla, para entrenar a HuntMi con 1.7 millones de secuencias (uno de los conjuntos de datos del
1Intel R

Core TMi5-4460 CPU @ 3.20GHz, 8 GB de RAM.

3.2. PREDICCIÓN DE PRE-MICROARN 19
Número de secuencias Tiempos
Conjunto de datos Total miARN no-miARN HuntMi miRNAss speedup
Virus 1.076 237 839 38 s 1 s 38,00
Arabidopsis 28.590 231 28.359 14819 s 129 s 14,10
Human 82.634 1.406 81.228 94873 s 462 s 21,37
Plants 117.101 2.172 114.929 214561 s 714 s 30,19
Animals 225.207 7.053 218.154 654762 s 1.834 s 35,85
Tabla 3.2: Comparación de los tiempos de ejecución entre miRNAss y HuntMi.
Figura 3.1: Sensibilidad obtenida con varios clasificadores del estado del arte en: a) animales, y b)
plantas. La distancia de cada punto al centro mide la sensibilidad obtenida obtenida cada especie.
genoma utilizado en la sección 3.2.3) se necesitarían alrededor de 37 días, mientras que miRNAss sólo
se requieren 18 horas.
Con respecto a las medidas de predicción, ambos métodos se desempeñaron de manera similar en
este experimento. Se aplicó una prueba de Friedman (1937), que dio como resultado un valor p de
0,179. Esto demuestra que el método propuesto puede obtener resultados equivalentes a un método
del estado del arte para la configuración supervisada, aunque en menos tiempo (como se muestra
en la Tabla 3.2). Además, fue posible verificar que RELIEF-F mejoró los resultados en todas las
pruebas, aunque en algunas de ellas las diferencias fueron pequeñas. Esto era de esperar, dado que las
características utilizadas en estos conjuntos de datos son el resultado de procesos previos de selección
de características. Una prueba de Friedman en esta comparación da como resultado un valor p de
0.025, lo que demuestra que las diferencias son significativas. Se pueden ver más detalles sobre estos
resultados en la Figura S5 del Anexo 5.
Para probar la capacidad de miRNAss para predecir nuevos pre-miARNs en diferentes especies,
los pre-miARNs conocidos de animales y plantas que se incluyeron en la versión 17 de mirBase se
usaron para el entrenamiento, y los pre-miARNs que se agregaron en las versiones 18 a 19 fueron
usados como conjunto de prueba. En el caso de las especies animales, se añadió microPred (Batuwita
and Palade, 2009) en la comparación, ya que era el mejor software para la predicción de miARN
humano en el momento de su publicación. También se agregó el método PlantMiRNAPred (Xuan
et al., 2011b), porque está específicamente diseñado para especies de plantas. Cabe señalar que, una
vez más, el porcentaje de secuencias no etiquetadas en el conjunto de datos es muy bajo: menos del
0,3 % en animales y menos del 1,3 % en plantas. La S+
obtenida para cada especie se muestran en
la Figura 3.1, donde cada clasificador se muestra con un color diferente a través de una gráfica de
radar. En el conjunto de datos de animales, miRNAss superó a microPred en casi todas las especies.
En el conjunto de datos de humanos, miRNAss obtuvo una mayor S+
que microPred, el cual, como se
mencionó anteriormente, se diseñó específicamente para humanos. Comparado con HuntMi, miRNAss
obtuvo mayores S+
en 4 especies, HuntMi produjo mejores resultados en 4 especies y los resultados
obtenidos fueron iguales en 3 especies. En plantas, miRNAss superó a PlantMiRNAPred en casi todas

Ejemplos etiquetados [%]
Clasificador
Humano
Arabidopsis
Virus
Animal
Plantas
Figura 3.2: Curvas de Ḡ obtenidas al disminuir el porcentaje de ejemplos etiquetados. Regiones som-
breadas representan los intervalos de confianza de la estimación con regresión local (LOESS) con
p 0,05.
las especies. Comparado con HuntMi, miRNAss tuvo una mejor S+
en 8 especies, mientras que HuntMi
superó ligeramente al miRNAss en sólo 2 especies (Cucumis melo y Sorghum bicolor). Para analizar
si hubo diferencias significativas entre los clasificadores, se realizaron pruebas de Nemenyi (1962) para
ambos conjuntos de datos (p 0, 05). En las especies de animales, HuntMi y miRNAss produjeron
resultados equivalentes, pero ambos se desempeñaron mejor que microPred. En especies de plantas,
miRNAss obtuvo el rango más bajo (el mejor) y una diferencia significativa con PlantMiRNAPred.
Sin embargo, la diferencia con HuntMi no fue estadísticamente significativa.
Los métodos supervisados hacen un uso extenso de los datos etiquetados, no sólo para el entre-
namiento sino también para encontrar los hiper-parámetros y umbrales óptimos. Por el contrario,
miRNAss se diseñó sobre la hipótesis de que los ejemplos etiquetados son escasos, poco confiables y
no representativos de toda la clase, que en realidad es un escenario más realista para esta tarea de
predicción. Por lo tanto, debe tenerse en cuenta que, incluso bajo estas condiciones desfavorables, miR-
NAss obtuvo resultados significativamente mejores que MicroPred y PlantMiRNAPred, y resultados
equivalentes a los producidos por HuntMi, siendo sin embargo, mucho más rápido.
3.2.2. Pocos ejemplos etiquetados
Para representar un escenario más realista en el que el número de ejemplos conocidos es muy bajo,
los cinco conjuntos de datos utilizados en las últimas pruebas se utilizaron con distintos porcentajes
de secuencias etiquetadas y se realizaron pruebas en un esquema de validación entrenamiento-prueba.
El porcentaje de ejemplos etiquetados se redujo del 20 % al 2 %, con un paso del 2 %. Los ejemplos
etiquetados se seleccionaron al azar y las pruebas se repitieron 200 veces para cada porcentaje para
estimar los intervalos de confianza. En la Figura 3.2, se estimaron las curvas de F1 esperadas con
intervalos de confianza de 0,05 para la comparación. En el conjunto de datos humanos, el F1 es casi
un 10 % más alto para miRNAss, independientemente del porcentaje de secuencias marcadas. En el
conjunto de datos de Arabidopsis, donde el número de secuencias de ejemplos positivos fue menor, las
diferencias a favor de miRNAss fueron más altas en los porcentajes más bajos de ejemplos etiquetados,
lo que indica que miRNAss puede identificar efectivamente la clase positiva incluso con un número
muy bajo de ejemplos. Las mismas tendencias se observan en los conjuntos de datos de animales,
plantas y virus. Estos resultados no sólo muestran que miRNAss es capaz de superar a los métodos

0.00
0.25
0.50
0.75
128 64 32 16 8 4 2 1
Ejemplos etiquetados
AUCPR
Clasificador
MiRank
MiRNAss
Figura 3.3: Diagrama de caja de las AUC obtenidas por miRNAss y miRank, con diferentes cantidades
de ejemplos de entrenamiento positivos.
supervisados cuando el número de ejemplos etiquetados es bajo, sino también que las tasas de error
estimadas usando una alta proporción de ejemplos etiquetados son muy diferentes de las obtenidas en
escenarios más realistas.
Un paso más hacia una tarea de predicción más realista consiste en usar sólo ejemplos positivos.
Bajo estas condiciones, miRNAss se comparó con miRank (Xu et al., 2008), que fue diseñado para
trabajar con un número extremadamente pequeño de ejemplos positivos. Se utilizaron los conjuntos de
datos proporcionados por el autor original: 533 pre-miARNs humanos y 1000 secuencias no miARN.
Para hacer una comparación justa, ambos métodos usaron el conjunto de características de miRank.
Este conjunto está compuesto por 32 tripletas (Xue et al., 2005), MFE normalizado, propensiones de
emparejamiento de bases normalizadas de ambos brazos y longitud de bucle normalizado. Se marcó un
número variable de ejemplos positivos (1, 2, 4, 8, 16, 32, 64 y 128) y el resto de las secuencias se dejaron
sin etiquetar para medir las tasas de error. Como los resultados dependen de un muestreo aleatorio
de las secuencias, este procedimiento se repitió 1000 veces para cada número de ejemplos etiquetados.
Dado que MiRank utiliza como resultado una puntuación continua, para comparar también se utilizaron
los puntajes de predicción obtenidos con miRNAss en lugar de utilizar las clases. Se calculó el área
bajo la curva de precisión-recuperación (AUCPR, del ingles Area Under Precision-Recall Curve), para
realizar una comparación independiente del umbral utilizado para definir las clases (Bradley, 1997). La
Figura 3.3 presenta un diagrama de caja con la distribución de AUCPR obtenida por cada clasificador
para diferentes cantidades de ejemplos etiquetados. MiRNAss mantuvo una AUCPR casi constante,
independientemente del número de pre-miARNs marcados, mientras que el rendimiento de miRank
disminuyó marcadamente. Además, los valores de AUCPR para miRNAss mostraron una pequeña
dispersión en comparación con miRank, que se vuelve muy inestable cuando disminuye el número
de ejemplos etiquetados. Esta inestabilidad puede ser producida por ejemplos positivos que están
cerca de la frontera de la clase, lo que hace que miRank no establezca correctamente la frontera de
decisión. El algoritmo semi-supervisado de miRNAss logró encontrar correctamente las regiones de
baja densidad que separan los miARNs del resto de las secuencias, independientemente de los ejemplos
proporcionados.
3.2.3. Predicción real en genomas completos
MiRNAss se probó con los genomas completos de tres especies bien conocidos: Arabidopsis thaliana,
Caenorhabditis elegans y Anopheles gambiae, para reproducir todas las condiciones de una tarea de
predicción real. Los genomas completos se procesaron para extraer todos las secuencias con estructura
secundaria tipo tallo-horquilla existentes. Para este propósito se utilizó HextractoR, la herramienta
desarrollada para tal fin. Este proceso dejó un total de 1.356.616 secuencias de A. thaliana; 1.698.859
secuencias de C. elegans; y 4.276.188 secuencias de A. gambiae. Para detectar los pre-miARNs co-
nocidos se utilizó la base de datos mirBase v21. Esto definió un total de 304, 249 y 66 horquillas

HuntMi
Mirident
Proporción de falsos positivos
Proporción
de
verdaderos
positivos
promedio
HuntMi
Mirident
HuntMi Mirident
miRNAss FS1
miRNAss FS2
miRPara
miR-BAG
HHMMiR
Figura 3.4: Curvas ROC de miRNAss y otros métodos del estado del arte en datos de genoma com-
pleto de tres especies. Los puntos muestran el desempeño alcanzado por los métodos que generan
clasificaciones sin puntajes de predicción.
como conjunto positivo para A. thaliana, C. elegans y A. gambiae, respectivamente. Se extrajeron dos
conjuntos de características de los tres genomas. El primero (FS1) es el mismo usado en la Sección
3.1, para hacer una comparación justa con uno de los métodos. El segundo conjunto de caracterís-
ticas (FS2) es un conjunto ampliado compuesto por casi todas las características propuestas para la
predicción pre-miARN en la literatura. FS2 se calculó con miRNAfe y cada vector de característica
resultó en 79 elementos. Para obtener más información sobre los conjuntos de características, se puede
consultar la Sección S4 del Anexo 5. Se utilizó un esquema de validación cruzada de 10 particiones
para medir el rendimiento con curvas ROC promediadas. Para comparar el rendimiento con miRNAss
se probaron muchos algoritmos de predicción de pre-miARN en estos conjuntos de datos. En total
se han probado once predictores, pero la mayoría han fallado con datos de genomas completos o sus
servidores no funcionan. Los cinco predictores que se pudieron aplicar a genomas completos fueron
HuntMi, Mirident (Liu et al., 2012), HHMMiR (Kadri et al., 2009), miRPara (Wu et al., 2011) y miR-
BAG (Jha et al., 2012). Los primeros dos métodos producen clasificaciones duras (en vez de puntajes
continuos) por lo que se representan como puntos en las figuras ROC. Por otro lado, dado que miR-
Para, miR-BAG, HHMMiR y miARN proporcionan puntajes continuos, para estos casos se pudieron
obtener las curvas ROC completas. MiR-BAG no se ejecutó en A. thaliana porque no proporciona un
modelo pre-entrenado para plantas. Los puntajes de salida obtenidos con este método sólo pueden to-
mar cuatro valores posibles, por lo que las curvas ROC contienen regiones constantes. Estos resultados
se presentan en la Figura 3.4.
En el genoma de A. thaliana, se puede ver que las curvas ROC de miRNAss están por encima
de las curvas de miRPara y HHMMiR para todos los valores umbral. Cabe señalar que Mirident, a
pesar de tener la mayor tasa de positivos verdaderos (sensibilidad), también tiene la mayor tasa de
falsos positivos. HuntMi es más equilibrado, con un alto reconocimiento de secuencias positivas y un
número moderado de falsos positivos. Sin embargo, está debajo de miRNAss con cualquiera de los
dos conjuntos de características. En el genoma de C. elegans se puede hacer un análisis similar para
HuntMi y Mirident. En este conjunto de datos, miR-BAG genera una curva ROC similar a la curva
de MiRPara, ambas debajo del resto de las curvas. HHMMiR presenta un mejor rendimiento que
estos métodos, pero una vez más es superado por miRNAss. En el caso del genoma de A. gambiae, el
rendimiento de miRNAss con FS1 es más distante al obtenido con FS2. MiR-BAG y HHMMiR generan
una curva similar a la obtenida por miRNAss con FS2, muy por debajo de la obtenida con FS1. La
curva ROC con FS1 muestra, en la esquina superior izquierda, que miRNAss puede proporcionar el
mejor equilibrio entre sensibilidad y tasa de falsos positivos. De hecho, esta es casi una curva ROC
ideal.
Finalmente, como resumen del análisis comparativo, la Tabla 3.3 presenta más resultados de interés
práctico. Los mismos métodos y especies de la Figura 3.4 se analizan aquí según el rendimiento global
y el número total de candidatos que devuelve cada método, es decir, la suma de verdaderos positivos y

Tabla 3.3: Media geométrica de la sensibilidad y la especificidad (Ḡ) y suma de falsos y verdaderos
positivos (TPFP, por sus siglas en ingles) en las tres pruebas de genoma completo.
A. thaliana C. elegans A. gambiae
Classifier
TPFP Ḡ TPFP Ḡ TPFP Ḡ
Mirident 1.294.648 22,05 % 1.617.221 21,29 % 4.068.431 21,86 %
miR-BAG - - 375.011 63,14 % 495.231 57,62 %
miRPara 2.755 47,95 % 11.712 53,79 % 283.232 72,48 %
HHMMiR 45.104 69,07 % 40.318 73,29 % 91.093 74,07 %
HuntMi 173.906 84,00 % 462.203 82,00 % 1.456.590 80,20 %
MiRNAss 134.369 84,82 % 164.557 87,61 % 258.096 93,34 %
falsos positivos (TPFP). Se puede ver que miARNs supera a todos los métodos en los tres genomas.
Mirident es el método con el rendimiento más bajo para todas las especies. Esto se debe a que este
método etiqueta como positivos a casi todos los ejemplos, lo que se refleja en una sensibilidad muy alta,
pero sin utilidad práctica dada la cantidad de candidatos proporcionados. MiR-BAG tiene un mejor
pero aún pobre desempeño en ambas especies. HHMMiR y miRPara predicen muy pocos candidatos,
con una alta especificidad a costa de una sensibilidad muy baja. HuntMi, en cambio, permite obtener
resultados más equilibrados, con el segundo mejor rendimiento. Sin embargo, en A. gambiae devuelve
una cantidad de falsos positivos más de 5 veces mayor que los devueltos por miRNAss.
Estos resultados nos permiten afirmar que miRNAss supera a los métodos del estádo del arte en
una configuración de clasificación realista. Los ejemplos negativos definidos artificialmente se usan para
entrenar modelos supervisados y, dado que estos ejemplos no son representativos de la gran diversidad
de la clase negativa, los modelos no descartan correctamente secuencias que no sean miARN. Por el
contrario, miRNAss puede aprovechar mejor el gran número de secuencias no etiquetadas para ajustar
mejor la frontera de decisión alrededor de los pre-miARN, descartando el resto de las secuencias.

Sección 4
Conclusiones
En esta tesis doctoral, presentamos una nueva metodología de predicción pre-miARN compuesta
por tres etapas. Para la primer etapa se desarrolló un método para extraer secuencias con estructu-
ra secundaría tipo horquilla del genoma completo. Este método contempla además el recorte de las
secuencias y la eliminación de horquillas repetidas, tanto idénticas como similares. Las pruebas en
los genomas de 6 especies demostraron que el método propuesto encuentra una mayor cantidad de
horquillas que el único método disponible para esta tarea y, lo que es más importante aún, una mayor
cantidad de pre-miARNs. El método con el cual se comparó encontró en cada genoma aproximada-
mente un 90 % de los pre-miARNs conocidos llegando a un 80 % en el caso de una especie no modelo.
En cambio la metodología propuesta alcanzó valores cercanos al 100 % en todas las especies.
En segundo lugar, se realizó una exhaustiva revisión del estado del arte para analizar que carac-
terísticas se utilizan en al predicción de miARNs. Con esta información se desarrollo una biblioteca
de algoritmos de extracción de características y una versión web para utilizar estos algoritmos sin la
necesidad de tener conocimientos sobre programación. Consideramos además que la revisión del estado
del arte y la posterior recopilación de información puede ser de gran valor para la comunidad.
Por último, se desarrolló un algoritmo de predicción que utiliza un enfoque semi-supervisado pa-
ra enfrentar el problema de ejemplos de entrenamiento escasos y poco confiables. Los experimentos
realizados en una configuración supervisada forzada mostraron que alcanza las tasas de clasificación
de los mejores métodos del estado del arte en pruebas de validación cruzada estándar y en tiempos
más cortos. El método propuesto también se probó en condiciones que están más cerca de una tarea
de predicción real, donde se reduce el número de secuencias etiquetadas. En estas pruebas, superó
claramente al mejor método supervisado disponible, el cual sufrió una importante caída de desempeño
al reducirse la cantidad de ejemplos positivos disponibles. Ademas se obtuvieron mejores resultados
que otro método diseñado especialmente para trabajar con pocos ejemplos de entrenamiento. Para la
última prueba se procesaron tres genomas completos de especies modelo y se compararon resultados
con varios métodos del estado del arte. En esta prueba una gran cantidad de métodos fallaron porque
no fueron capaces de procesar la gran cantidad de secuencias de un genoma completo. Los métodos que
funcionaron obtuvieron desempeños por debajo del obtenido con el método desarrollado, en algunos
casos cercanos al error de un clasificador al azar.
Los resultados a lo largo de este trabajo permiten arribar a las siguientes conclusiones:
Existía una necesidad de mejorar el proceso de extracción de horquillas del genoma completo,
dado que los métodos existentes no se desempeñaban satisfactoriamente y una gran cantidad
de pre-miARNs se perdían en este temprano paso. La metodología diseñada logró superar esta
falencia.
La biblioteca de extracción de características desarrollada permite calcular la gran mayoría de
las características utilizadas en la predicción de miARNs en la actualidad.
El método de predicción desarrollado demostró ser escalable, a diferencia de los métodos del
estado del arte que en su mayoría no lograron funcionar con genomas completos.
24

25
Los ejemplos negativos que se utilizan para entrenar muchos métodos de predicción del estado
del arte no son representativos de la clase completa de secuencias no miARN.
Los métodos supervisados de predicción de miARN logran tasas de desempeño muy altas en
pruebas de validación cruzada con una clase negativa definida artificialmente, pero el rendimiento
disminuye en gran medida cuando tienen que enfrentar la diversidad de secuencias que se pueden
encontrar en un genoma real. Por lo tanto, esta metodología de validación no permite obtener
conclusiones confiables sobre el desempeño de las distintas técnicas de predicción.
El método de predicción desarrollado resulta eficiente y escalable, lo que permite procesar geno-
mas completos con varios millones de horquillas.
El método de predicción desarrollado busca automáticamente una amplia variedad de ejemplos
negativos entre las secuencias tipo horquilla. Ademas, al ser un algoritmo de aprendizaje semi-
supervisado, tiene en cuenta la distribución de las secuencias sin etiqueta en el espacio de las
características para ajustar fronteras de decisión alrededor de los pre-miARNs. Esto permite un
mejor desempeño que el de los métodos del estado del arte.

Sección 5
Publicaciones
A continuación se listan todos los trabajos relacionados con la predicción de microARN en los que
se participó durante el desarrollo del doctorado.
Publicaciones en revistas
Yones, C. A., Stegmayer, G., Kamenetzky, L., Milone, D. H. (2015). miRNAfe: a comprehen-
sive tool for feature extraction in microRNA prediction. Biosystems, 138, 1-5.
Kamenetzky, L., Stegmayer, G., Maldonado, L., Macchiaroli, N., Yones, C., Milone, D. H.
(2016). MicroRNA discovery in the human parasite Echinococcus multilocularis from genome-
wide data. Genomics, 107(6), 274-280.
Stegmayer, G., Yones, C., Kamenetzky, L., Milone, D. H. (2017). High class-imbalance in
pre-miRNA prediction: a novel approach based on deepSOM. IEEE/ACM transactions on compu-
tational biology and bioinformatics, 14(6), 1316-1326.
Yones, C., Stegmayer, G., Milone, D. H. (2017). Genome-wide pre-miRNA discovery from
few labeled examples. Bioinformatics. 34(4), 541-549.
Bugnon, L., Yones, C., Milone, D. H., y Stegmayer, G. (2017). Novel som architectures for large
class imbalance prediction in genome-wide data. Trabajo enviado a IEEE/ACM Transactions on
Computational Biology and Bioinformatics.
Stegmayer, G., Di Persia, L., Rubiolo, M., Gerard, M., Pividori, M., Yones, C., Bugnon, L.,
Rodriguez, T., Raad, J., y Milone, D. (2018). Predicting novel microrna: a comprehensive com-
parison of machine learning approaches. Briefings in Bioinformatics.
Bugnon, L., Yones, C., Milone, D. H., y Stegmayer, G. (2018). Deep neural architectures for
highly imbalanced data in bioinformatics. Trabajo enviado a IEEE Transactions on Neural Net-
works and Learning Systems, Special Issue on Recent Advances in Theory, Methodology and
Applications of Imbalanced Learning.
Yones, C., Macchiaroli, N. Kamenetzky, L., Stegmayer, G., y Milone, D. (2018). Hextractor: an
R package for automatic extraction of hairpin sequences in genome-wide data. Trabajo enviado
a Bioinformatics.
Capítulo de libro
Stegmayer, G., Yones, C., Kamenetzky, L., Macchiaroli, N., Milone, D. H. (2017). Compu-
tational Prediction of Novel miRNAs from Genome-Wide Data. In Functional Genomics (pp.
29-37). Humana Press, New York, NY.
26

27
Trabajos en eventos científicos
Yones, C., Stegmayer, G., Kamenetzky, L., Milone, D. (2016). Automatic extraction of hairpin
sequences from genome-wide data. ISCB Latin America 2016
Yones, C., Stegmayer, G., Kamenetzky, L., Milone, D. (2015). miRNAfe a tool for feature ex-
traction in pre-miRNA prediction. VI Congreso Argentino de Bioinformática y Biologia Compu-
tacional (CAB2C)
Yones, C., Stegmayer, G., Milone, D. (2015). miRNAss a semi-supervised approach for microR-
NA prediction. VI Congreso Argentino de Bioinformática y Biologia Computacional (CAB2C)

Bibliografía
An, J., Lai, J., Lehman, M. L., and Nelson, C. C. (2013). miRDeep*: an integrated application tool
for miRNA identification from RNA sequencing data. Nucleic acids research, 41(2), 727–737.
Batuwita, R. and Palade, V. (2009). microPred: effective classification of pre-miRNAs for human
miRNA gene prediction. Bioinformatics, 25(8), 989–995.
Bonnet, E., Wuyts, J., Rouzé, P., and Van de Peer, Y. (2004). Evidence that microRNA precursors,
unlike other non-coding RNAs, have lower folding free energies than random sequences. Bioinfor-
matics, 20 (17), 2911–2917.
Bradley, A. P. (1997). The use of the area under the ROC curve in the evaluation of machine learning
algorithms. Pattern recognition, 30(7), 1145–1159.
Chapelle, O., Schölkopf, B., and Zien, A. (2006). Semi-supervised Learning. Adaptive computation
and machine learning. MIT Press.
Ding, J., Zhou, S., and Guan, J. (2010). MiRenSVM: towards better prediction of microRNA precursors
using an ensemble SVM classifier with multi-loop features. BMC bioinformatics, 11(Suppl 11), S11.
Durbin, R. and Rice, P. (1999). Einverted: finds dna inverted repeats (emboss). European Bioinfor-
matics Institute, Cambridge.
Eppstein, D., Paterson, M. S., and Yao, F. F. (1997). On nearest-neighbor graphs. Discrete Compu-
tational Geometry, 17(3), 263–282.
Friedman, M. (1937). The use of ranks to avoid the assumption of normality implicit in the analysis
of variance. Journal of the american statistical association, 32(200), 675–701.
Gander, W., Golub, G. H., and von Matt, U. (1989). A constrained eigenvalue problem. Linear Algebra
and its applications, 114, 815–839.
Gudyś, A., Szcześniak, M. W., Sikora, M., and Makałowska, I. (2013). HuntMi: an efficient and taxon-
specific approach in pre-miRNA identification. BMC bioinformatics, 14(1), 83.
Guo, X., Yin, Y., Dong, C., Yang, G., and Zhou, G. (2008). On the class imbalance problem. In Natural
Computation, 2008. ICNC’08. Fourth International Conference on, volume 4, pages 192–201. IEEE.
Hackenberg, M., Sturm, M., and Langenberger, D. (2009). miRanalyzer: a microRNA detection and
analysis tool for next-generation sequencing experiments. Nucleic Acids Research, 37, 68–76.
Hertel, J. and Stadler, P. (2006). Hairpins in a haystack: recognizing microRNA precursors in compa-
rative genomics data. Bioinformatics, 22 (14), e197–e202.
Huang, T.-H., Fan, B., Rothschild, M. F., Hu, Z.-L., Li, K., and Zhao, S.-H. (2007). Mirfinder: an
improved approach and software implementation for genome-wide fast microrna precursor scans.
BMC bioinformatics, 8(1), 341.
Jha, A., Chauhan, R., Mehra, M., Singh, H. R., and Shankar, R. (2012). mir-bag: bagging based
identification of microrna precursors. PLoS One, 7(9), e45782.
28

BIBLIOGRAFÍA 29
Jiang, P., Wu, H., Wang, W., Ma, W., Sun, X., and Lu, Z. (2007). MiPred: classification of real and
pseudo microRNA precursors using random forest prediction model with combined features. Nucleic
acids research, 35(suppl 2), W339–W344.
Joachims, T. et al. (2003). Transductive learning via spectral graph partitioning. In ICML, volume 3,
pages 290–297.
Kadri, S., Hinman, V., and Benos, P. V. (2009). Hhmmir: efficient de novo prediction of micrornas
using hierarchical hidden markov models. BMC bioinformatics, 10(1), S35.
Kleftogiannis, D., Korfiati, A., Theofilatos, K., Likothanassis, S., Tsakalidis, A., and Mavroudi, S.
(2013). Where we stand, where we are moving: surveying computational techniques for identifying
miRNA genes and uncovering their regulatory role. Journal of biomedical informatics, 46(3), 563–
573.
Kononenko, I. (1994). Estimating attributes: analysis and extensions of RELIEF. In Machine Learning:
ECML-94, pages 171–182. Springer.
Kozomara, A. and Griffiths-Jones, S. (2014). mirbase: annotating high confidence micrornas using
deep sequencing data. Nucleic Acids Research, 42, D68–D73.
Lecellier, C., Dunoyer, P., Arar, K., Lehmann-Che, J., Eyquem, S., Himber, C., Saib, A., and Voinnet,
O. (2005). A cellular microRNA mediates antiviral defense in human cells. Science, 308, 557–560.
Lim, L. P., Lau, N. C., Weinstein, E. G., Abdelhakim, A., Yekta, S., Rhoades, M. W., Burge, C. B.,
and Bartel, D. P. (2003). The microRNAs of Caenorhabditis elegans. Genes development, 17(8),
991–1008.
Liu, Q. and Chen, Y.-Q. (2010). A new mechanism in plant engineering: the potential roles of micrornas
in molecular breeding for crop improvement. Biotechnology advances, 28(3), 301–307.
Liu, X., He, S., Skogerbø, G., Gong, F., and Chen, R. (2012). Integrated sequence-structure motifs
suffice to identify microrna precursors. PloS one, 7(3), e32797.
Lopes, I. d. O., Schliep, A., and de Carvalho, A. C. d. L. (2014). The discriminant power of RNA
features for pre-miRNA recognition. BMC Bioinformatics, 15(1), 124.
Lopes, I. d. O., Alexander, S., and de LF de Carvalho André, P. (2016). Automatic learning of pre-
miRNAs from different species. BMC Bioinformatics, 17(1), 224.
McCaskill, J. (1990). The equilibrium partition function and base pair binding probabilities for RNA
secondary structure. Biopolymers, 29, 1105–1119.
Mease, D., Wyner, A. J., and Buja, A. (2007). Boosted classification trees and class probability/quantile
estimation. The Journal of Machine Learning Research, 8, 409–439.
Nemenyi, P. (1962). Distribution-free multiple comparisons. In Biometrics, volume 18, page 263.
INTERNATIONAL BIOMETRIC SOC 1441 I ST, NW, SUITE 700, WASHINGTON, DC 20005-
2210.
Ng, K. L. S. and Mishra, S. K. (2007). De novo SVM classification of precursor microRNAs from
genomic pseudo hairpins using global and intrinsic folding measures. Bioinformatics, 23(11), 1321–
1330.
Olson, S. A. (2002). Emboss opens up sequence analysis. Briefings in bioinformatics, 3(1), 87–91.
Peace, R. J., Biggar, K. K., Storey, K. B., and Green, J. R. (2015). A framework for improving
microRNA prediction in non-human genomes. Nucleic acids research, page gkv698.
Rosenzvit, M., Cucher, M., Kamenetzky, L., Macchiaroli, N., Prada, L., and Camicia, F. (2013). Mi-
croRNAs in endoparasites. Nova Science Publishers, pages 65–92.

30 BIBLIOGRAFÍA
Russell, S. J. and Norvig, P. (2016). Artificial intelligence: a modern approach. Malaysia; Pearson
Education Limited,.
Samuel, A. L. (1959). Some studies in machine learning using the game of checkers. IBM Journal of
research and development, 3(3), 210–229.
Shi, J. and Malik, J. (2000). Normalized cuts and image segmentation. IEEE Transactions on pattern
analysis and machine intelligence, 22(8), 888–905.
Stegmayer, G., Di Persia, L., Rubiolo, M., Gerard, M., Pividori, M., Yones, C., Bugnon, L., Rodriguez,
T., Raad, J., and Milone, D. (2018). Predicting novel microrna: a comprehensive comparison of
machine learning approaches. Briefings in bioinformatics. doi: 10.1093/bib/bby037.
Tempel, S., Zerath, B., Zehraoui, F., Tahi, F., et al. (2015). miRBoost: boosting support vector
machines for microRNA precursor classification. RNA, 21(5), 775–785.
Terai, G., Komori, T., Asai, K., and Kin, T. (2007). miRRim: a novel system to find conserved miRNAs
with high sensitivity and specificity. Rna, 13(12), 2081–2090.
Tsetsarkin, K. A., Liu, G., Volkova, E., and Pletnev, A. G. (2017). Synergistic internal ribosome entry
site/microrna-based approach for flavivirus attenuation and live vaccine development. MBio, 8(2),
e02326–16.
Wei, L., Liao, M., Gao, Y., Ji, R., He, Z., and Zou, Q. (2014). Improved and promising identification
of human microRNAs by incorporating a high-quality negative set. Computational Biology and
Bioinformatics, IEEE/ACM Transactions on, 11(1), 192–201.
Wenyuan, L., Jing, M., Changwu, W., Baowen, W., and Yongqiang, L. (2013). The training set selection
methods of microRNA precursors prediction based on machine learning approaches. In Intelligent
System Design and Engineering Applications (ISDEA), 2013 Third International Conference on,
pages 1566–1569. IEEE.
Wettschereck, D., Aha, D. W., and Mohri, T. (1997). A review and empirical evaluation of feature
weighting methods for a class of lazy learning algorithms. Artificial Intelligence Review, 11(1-5),
273–314.
Wu, Y., Wei, B., Liu, H., Li, T., and Rayner, S. (2011). Mirpara: a svm-based software tool for
prediction of most probable microrna coding regions in genome scale sequences. BMC bioinformatics,
12(1), 107.
Xu, Y., Zhou, X., and Zhang, W. (2008). MicroRNA prediction with a novel ranking algorithm based
on random walks. Bioinformatics, 24(13), i50–i58.
Xuan, P., Guo, M., Wang, J., Wang, C., Liu, X., and Liu, Y. (2011a). Genetic algorithm-based efficient
feature selection for classification of pre-miRNAs. Genet. Mol. Res., 10 (2), 588–603.
Xuan, P., Guo, M., Liu, X., Huang, Y., Li, W., and Huang, Y. (2011b). Plantmirnapred: efficient
classification of real and pseudo plant pre-mirnas. Bioinformatics, 27(10), 1368–1376.
Xue, C., Li, F., He, T., Liu, G.-P., Li, Y., and Zhang, X. (2005). Classification of real and pseudo
microrna precursors using local structure-sequence features and support vector machine. BMC
bioinformatics, 6(1), 310.
Yousef, M., Nebozhyn, M., Shatkay, H., Kanterakis, S., Showe, L., and Showe, M. (2006). Combining
multi-species genomic data for microRNA identification using a naive bayes classifier. Bioinforma-
tics, 22 (11), 1325–1334.
Yu, T., Li, J., Yan, M., Liu, L., Lin, H., Zhao, F., Sun, L., Zhang, Y., Cui, Y., Zhang, F., et al.
(2015). Microrna-193a-3p and-5p suppress the metastasis of human non-small-cell lung cancer by
downregulating the erbb4/pik3r3/mtor/s6k2 signaling pathway. Oncogene, 34(4), 413.

BIBLIOGRAFÍA 31
Zuker, M. and Stiegler, P. (1981). Optimal computer folding of large rna sequences using thermody-
namics and auxiliary information. Nucleic acids research, 9(1), 133–148.

Contribuciones
HextractoR: an R package for automatic extraction of hairpins from genome-wide data
En este trabajo se publicó la herramienta de extracción de secuencias con estructura tipo tallo-
horquilla de genomas completos. Esta publicación corresponde con la primera etapa de la metodología
desarrollada en la tesis. En este trabajo me encargué de la revisión del estado del arte, del diseño y
desarrollo de los algoritmos que componen la herramienta, de la validación y prueba de esta y de la
escritura del manuscrito.
miRNAfe: a comprehensive tool for feature extraction in microRNA prediction
En este trabajo se publicó la herramienta de extracción de características de secuencias tipo tallo-
horquilla. Esta publicación corresponde con la segunda etapa de la metodología desarrollada en al tesis.
En este trabajo me encargué de la revisión del estado del arte, del diseño y desarrollo de la biblioteca,
de la validación de los algoritmos de extracción de características, de la implementación de la interfaz
web y de la escritura del manuscrito.
Genome-wide pre-miRNA discovery from few labeled examples
En este trabajo se presentó el metodo semi-supervisado de predicción de microRNA en genoma
completo. Esta publicación corresponde con la tercera etapa de la metodología desarrollada en al tesis.
En este trabajo mi contribución fue en el desarrollo de la idea, la ejecución de los experimentos y la
redacción del manuscrito.
33

HextractoR: an R package for
automatic extraction of hairpins from
genome-wide data
34

HextractoR: an R package for automatic extraction of
hairpins from genome-wide data
Cristian A. Yones∗1
, Natalia Macchiaroli2
, Laura Kamenetzky2
, Georgina
Stegmayer1
, and Diego H. Milone1
1
Research Institute for Signals, Systems and Computational Intelligence, sinc(i), FICH-UNL, CONICET,
Ciudad Universitaria UNL, (3000) Santa Fe, Argentina.
2
Instituto de Investigaciones en Microbiología y Parasitología Médica (UBA), CONICET, Paraguay 2155,
piso 13 (1121), Buenos Aires, Argentina.
Abstract
Summary: Extracting stem-loop sequences (hairpins) from genome-wide data is very im-
portant nowadays for some data mining tasks in bioinformatics. The genome pre-processing
is very important because it has a strong influence on the later steps and the final results.
For example, for novel miRNA prediction, all well-known hairpins must be properly located.
Although there are some scripts that can be adapted and put together to achieve this task,
they are outdated, none of them guarantees finding correspondence to well-known structures in
the genome under analysis, and they do not take advantage of the latest advances in secondary
structure prediction. We present here HextractoR, an R package for automatic extraction of
hairpins from genome-wide data. HextractoR makes an exhaustive and smart analysis of the
genome in order to obtain a very good set of short sequences for further processing. Moreover,
genomes can be processed in parallel and with low memory requirements. Results obtained
showed that HextractoR has effectively outperformed other methods.
Availability: HextractoR it is freely available at CRAN and https://sourceforge.net/
projects/sourcesinc/files
Contact: cyones@sinc.unl.edu.ar
1 Introduction
Extracting stem-loop sequences (hairpins) from genome-wide data is very important for some
data mining tasks in bioinformatics such as the computational prediction of pre-microRNAs (pre-
miRNAs) with machine learning. In most works (Xue et al., 2005; Gudyś et al., 2013; Demirci
et al., 2017; Stegmayer et al., 2018) the datasets used to tests the prediction methods are man-
ually built, using several interconnected tools. This has the obvious disadvantage of requiring a
not negligible manual amount of work. Moreover, the process has a great impact in the prediction
task afterwards. If some stem-loops are not correctly identified and extracted from the genome, the
∗cyones@sinc.unl.edu.ar
1

prediction method will not be able to detect the corresponding sequence. If they are detected but in-
correctly trimmed (longer or shorter than a corresponding pre-miRNA) the features extracted from
these sequences can vary a lot, making machine learning prediction methods to generate incorrect
predictions. There are other tools to extract hairpins (Yang and Li, 2011; Friedländer et al., 2008)
but they use RNAseq data and they are not designed to extract all hairpins, only the ones that
match with a significant number of reads. Finally, since in most works this first stage of stem-loop
extraction is performed manually by combining several tools, it is very difficult, or even impossible,
to reproduce the results. This makes that experiments of most pre-miRNA prediction methods
published cannot be accurately reproduced, and also that the users of those tools cannot obtain the
same prediction rates published. With HextractoR, besides providing a unique tool to simplify this
stage of pre-miRNA prediction, a standardized way to perform this important preprocessing task
is proposed. After hairpins extraction, the miRNAfe tool (Yones et al., 2015) can be used, which
combines all the features previously described for pre-miRNAs in a single tool. It is actually being
used in most recent prediction models (Yones et al., 2017; Acar et al., 2018). HextractoR helps to
standardize and simplify the stem-loop extraction stage, making future prediction methods more
easy to use and their experiments fully reproducible.
2 HextractoR pipeline
HextractoR predicts the secondary structure of several overlapped segments, with a longer length
than the mean length of the sequences of interest for the species under processing, ensuring that no
one is lost nor inappropriately cut. The length of the cutting window can be configured to define
the maximum size that the stems found will have (smaller stems will also be found). Optionally,
FASTA files containing known sequences can be loaded and used to split the output stem-loops into
several FASTA output files, according to their type. If no filter file is provided HextractoR generates
just one FASTA file with all hairpins. If two filter files are provided, for example, with well-known
pre-miRNAs and other with known non-miRNA sequences, HextractoR generates three FASTA
files: one for each filtering file passed to HextractoR with the sequences that match according to
BLAST (Altschul et al., 1990) with known sequences; and another one with the stem-loops that
did not match. The processing steps of HextractoR (see Figure 1) are explained in detail in the
next sections.
Intelligent windowing of the whole genome. HextractoR starts by cutting the complete
genome into overlapping windows of a large length (∼ 500 nt). The window must be long enough in
order to correctly capture a complete hairpin, but also to take into account the neighborhood of any
possible hairpin when estimating the secondary structure. This is very important since the results
of estimating a secondary structure can be greatly affected by the neighborhood of the sequences.
Folding and splitting. Prediction of the secondary structures of the sequences obtained when
folding. The minimum free energy algorithm (Zuker and Stiegler, 1981) of RNAfold is used. Since
the windows used are relatively long, the structures found usually have multiple loops. Therefore,
they have to be split into several hairpin-type structures. Those hairpins that do not exceed a
minimum length and level of pairing are eliminated.
2

2. Folding and
tting
...GUGACGUACGACGUACGUACGUACGUACGUACGUACGUACUGCUGCUAGUGAUGCUACGAUCU
C
G
U
G
A
U
G
A
U
A
U
C
G
A
U
C
3. Trimming
1. Intelligent windowing of the
whole genome
Final dataset
4. Filtering
repeated
sequences
Figure 1: The HextractoR pipeline.
Trimming. Certain heuristics can be used to obtain sequences with lengths and stability prop-
erties similar to those of a well-known pre-miRNA. These rules optimize the Minimum Free Energy
normalized by the sequence length (NMFE). Although optimum cutting points can be found by
re-estimating the secondary structure for all possible cuts, a set of rules provide more flexibility
and accelerate the process. First, the sequence must exceed a minimum length, pre-defined accord-
ing to the species under study. In this way, it can be ensured that the secondary structure has
sufficient length to be a pre-miRNA of the species under analysis. Secondly, the cuts are made in
the first unpaired nucleotide of an internal loop or bulge of the secondary structure (starting from
the main loop). To choose the bulge/loop where to cut, a score is assigned to each imperfection
as S(1 − D/L)2
, where S is the imperfection length, D is the distance to the main loop and L
is the stem length (from the main loop to the last paired nucleotide). If the imperfections in the
secondary structure are large, it is likely that cutting the sequence at those points will result in a
structure with lower NMFE. Moreover, the smaller the length of the sequence (independently of
the pairing), the higher the NMFE. Therefore, a loop/bulge closer to the main loop is preferred.
Filtering repeated sequences. Repeated sequences are eliminated to avoid extra computa-
tional cost. These repeated sequences might also disturb the results of the prediction algorithms.
Repetitions may appear due to the overlapping in windowing. These repeated sequences appear
consecutively and they are almost identical sequences. To eliminate them, a comparison between
each sequence and the last extracted sequence is made. If one of the sequences contains the other
one, the shorter one can be discarded.
3 Complete genomes results
To test the R package, several genomes were processed and the results were compared to those
obtained from using some mirCheck scripts (Jones-Rhoades, 2010).
These scripts were the only tool that we have found to extract stem-loop sequences from genome-
3

Table 1: Number of stem-loops and pre-miRNA found with each tool
Species
Extracted hairpins pre-miRNAs found known
mirCheck HExtractor mirCheck HExtractor pre-miRNAs
A. gambiae 1,410,532 4,276,543 92.42 % 100.00 % 66
C. elegans 875,588 1,739,124 90.00 % 99.60 % 250
D. rerio 11,028,128 23,214,338 93.06 % 99.42 % 346
E. multilocularis 509,530 1,898,911 81.81 % 100.00 % 22
A. thaliana 874,320 1,357,455 91.69 % 94.77 % 325
H. sapiens 18,654,426 48,206,494 85.38 % 97.45 % 1881
wide data. Table 1 shows the results for six selected species. The number of well-known pre-
miRNAs (according to miRBase v21(Griffiths-Jones et al., 2006)) for all species is reported in the
fourth column of the table. The proportion of known pre-miRNAs found is shown in the last two
columns. It can be clearly seen that, in all cases, the performance of HextractoR is superior to
mirCheck.
4 Conclusion
We have developed a simple and integrated tool, the R package HextractoR, that automatically
extracts and folds all possible hairpin sequences from genome-wide data. The genomes can be
processed in parallel and with low memory requirements since it can automatically split large
multi-FASTA files. The proposed computational method, takes advantage of the latest develop-
ments in secondary structure prediction. Results obtained showed that HextractoR has effectively
outperformed other methods.
Funding
This study was supported by CONICET [PIP 117], UNL [CAI+D 2016 082], and ANPCyT [PICT
2014 2627]. Conflict of Interest: none declared.
References
Acar, İ., Saçar Demirci, M., Groß, U., and Allmer, J. (2018). The expressed microRNA-mRNA
interactions of toxoplasma gondii. Frontiers in microbiology, 8, 2630.
Altschul, S., Gish, W., Miller, W., Myers, E., and Lipman, D. (1990). Basic local alignment search
tool. Journal of molecular biology, 215(3), 403–410.
Demirci, M., Baumbach, J., and Allmer, J. (2017). On the performance of pre-microRNA detection
algorithms. Nature communications, 8(1), 330.
4

Friedländer, M., Chen, W., Adamidi, C., Maaskola, J., Einspanier, R., Knespel, S., and Rajewsky,
N. (2008). Discovering micrornas from deep sequencing data using mirdeep. Nature biotechnology,
26(4), 407.
Griffiths-Jones, S., Grocock, R., Van Dongen, S., Bateman, A., and Enright, A. (2006). mirbase:
microRNA sequences, targets and gene nomenclature. Nucleic acids research, 34(suppl_1),
D140–D144.
Gudyś, A., Szcześniak, M., Sikora, M., and Makałowska, I. (2013). Huntmi: an efficient and taxon-
specific approach in pre-mirna identification. BMC bioinformatics, 14(1), 83.
Jones-Rhoades, M. (2010). Prediction of plant miRNA genes. Springer.
Stegmayer, G., Di Persia, L., Rubiolo, M., Gerard, M., Pividori, M., Yones, C., Bugnon, L., Ro-
driguez, T., Raad, J., and Milone, D. (2018). Predicting novel microrna: a comprehensive com-
parison of machine learning approaches. Briefings in bioinformatics. doi: 10.1093/bib/bby037.
Xue, C., Li, F., He, T., Liu, G., Li, Y., and Zhang, X. (2005). Classification of real and pseudo
microRNA precursors using local structure-sequence features and support vector machine. BMC
bioinformatics, 6(1), 310.
Yang, X. and Li, L. (2011). mirdeep-p: a computational tool for analyzing the microrna transcrip-
tome in plants. Bioinformatics, 27(18), 2614–2615.
Yones, C., Stegmayer, G., Kamenetzky, L., and Milone, D. (2015). mirnafe: a comprehensive tool
for feature extraction in microRNA prediction. Biosystems, 138, 1–5.
Yones, C., Stegmayer, G., and Milone, D. (2017). Genome-wide pre-mirna discovery from few
labeled examples. Bioinformatics, 34(4), 541–549.
Zuker, M. and Stiegler, P. (1981). Optimal computer folding of large rna sequences using thermo-
dynamics and auxiliary information. Nucleic acids research, 9(1), 133–148.
5

miRNAfe: a comprehensive tool for
feature extraction in microRNA
prediction
40

miRNAfe: a comprehensive tool for feature extraction in
microRNA prediction
Cristian A. Yones∗1
, Georgina Stegmayer1
, Laura Kamenetzky2
, and Diego H.
Milone1
1
Research Institute for Signals, Systems and Computational Intelligence, sinc(i), FICH-UNL, CONICET,
Ciudad Universitaria UNL, (3000) Santa Fe, Argentina.
2
Instituto de Investigaciones en Microbiología y Parasitología Médica (UBA), CONICET, Paraguay 2155,
piso 13 (1121), Buenos Aires, Argentina.
Abstract
miRNAfe is a comprehensive tool to extract features from RNA sequences. It is freely
available as a web service, allowing a single access point to almost all state-of-the-art feature
extraction methods used today in a variety of works from different authors. It has a very simple
user interface, where the user only needs to load a file containing the input sequences and select
the features to extract. As a result, the user obtains a text file with the features extracted,
which can be used to analyze the sequences or as input to a miRNA prediction software.
The tool can calculate up to 80 features where many of them are multidimensional arrays. In
order to simplify the web interface, the features have been divided into six pre-defined groups,
each one providing information about: primary sequence, secondary structure, thermodynamic
stability, statistical stability, conservation between genomes of different species and substrings
analysis of the sequences. Additionally, pre-trained classifiers are provided for prediction in
different species. All algorithms to extract the features have been validated, comparing the
results with the ones obtained from software of the original authors.
The source code is freely available for academic use under GPL license at http://sourceforge.
net/projects/sourcesinc/files/mirnafe/0.90/. A user-friendly access is provided as web
interface at http://fich.unl.edu.ar/sinc/web-demo/mirnafe/. A more configurable web
interface can be accessed at http://fich.unl.edu.ar/sinc/web-demo/mirnafe-full/.
keywords: microRNA, Feature extraction, Web tool
1 Introduction
MicroRNAs (miRNA) are a group of short (∼ 22 nucleotides) non-coding RNA which can play
important roles in gene regulation by targeting mRNAs for cleavage or translational repression
(Lamers et al., 2014). Precursors of miRNA (pre-miRNA) are characterized by their hairpins
structure. However, a large amount of similar sequences can be folded into this kind of structure
in many genomes.
∗cyones@sinc.unl.edu.ar
1

In order to predict miRNAs, a large number of tools have been developed in the last years
(Kleftogiannis et al., 2013). The first step is to extract features from sequences and then use classi-
fiers to predict which sequences are likely to contain a miRNA. The feature extraction step is very
important for the whole process, in order to achieve high rates of true positives predictions (Zhang
et al., 2010). Numerous features can be extracted from the primary sequence and its corresponding
secondary structure. A typical example of this kind of features is the triplets representation (Xue
et al., 2005), which considers the structural composition of three adjacent nucleotides and the mid-
dle base to build a vector with 32 elements. Other examples are the number of internal loops and
their length (Yousef et al., 2006), the z-score of the minimum free energy (Hertel and Stadler, 2006)
and the dinucleotide proportion (Rukshan and Vasile, 2009). The amount of features that can be
extracted is very large and there are many different tools that partially achieve this task. They are
coded in different programming languages and have different access modes (web, command line,
etc.). Besides, several tools are proprietary software and the source code is not even available1
.
These are important issues that hinder their use.
We have developed the miRNAfe tool that implements almost all existing state-of-the-art fea-
ture extraction processes used for miRNA prediction nowadays (Li et al., 2010). It can extract the
features used by the most cited miRNA classifiers, such as Triplet-SVM (Xue et al., 2005), RNAmi-
cro (Hertel and Stadler, 2006), BayesMiRNAfind (Yousef et al., 2006), MiRFinder (Huang et al.,
2007), MiPred (Jiang et al., 2007), miRRim (Goro et al., 2007), microPred (Rukshan and Vasile,
2009), miRanalyzer (Hackenberg et al., 2009), MiRenSVM (Jiandong et al., 2010) and miPredGA
(Xuan et al., 2011). We have developed an easy to use web interface that allows a single and simpli-
fied access point to all the functions of the toolbox, and a set of pre-trained classifiers that can be
used to test the prediction power of the feature sets. We provide here a comprehensive open-source
solution, with free access to all features for academic use.
2 Provided features
The tool implements up to 80 features, where many of them return arrays. All of these features have
been proposed in literature over the past 10 years. The features are divided into six pre-defined
groups according to the kind of information that must be extracted from the sequence. A brief
explanation of each group is provided in the next lines. For a more detailed explanation of all the
features provided and their sources, see the supplementary material.
2.1 Sequence
These are the simplest features and represent information from the primary sequence. MiRNAfe
can extract a total of 5 features in this group: sequence length (`), proportion of each base in the
sequence, proportion of dinucleotides, content of guanine and cytosine and guanine-cytosine ratio.
The last two features are defined as:
G + Ccontent =
G + C
G + C + A + U
, (1)
GCratio =
G
C
, (2)
1http://www.insybio.com/pages/ncrnaseq
2
Tải bản FULL (105 trang): https://bit.ly/3Bh2ull
Dự phòng: fb.com/TaiHo123doc.net

where G, C, A and U represent the quantity of each base found in the sequence (Hertel and Stadler,
2006). All these features form a vector of 23 elements, composed by: the 4 base proportions, the 16
dinucleotide proportions, sequence length, G + Ccontent and GCratio. Although these features are
quite simple, they have shown a high discriminative power (Rukshan and Vasile, 2009), and thus
are used in most of the state-of-the-art prediction software.
2.2 Secondary structure
These features represent information from the secondary structure and they are the most numerous
group. The most used feature of this group is the triplets proportion (Xue et al., 2005). A triplet is
an element formed with the structure state (paired or not paired) of three adjacent nucleotides and
the base at the middle. An example of a triplet element is “.((A”, where the parenthesis represents
a paired nucleotide, a dot a not paired one, and the letter is the base of the nucleotide in the
middle. As there are 2 possible states for a nucleotide and 4 different bases, 32 triplets can be
formed (4 × 23
). The number of occurrences of each triplet element in the sequence is counted and
normalized to produce a 32-dimensional feature vector. A similar approach to the triplets was used
by Huang et al. (2007), which proposed another representation for the secondary structure. First
of all, five symbols are defined to indicate the status of each base pair in the stem: “=”, “:”, “−”,
“.” and “∧”. Each of them corresponds to the status of match, mismatch, deletion, insertion in the
interior loop, and insertion in the bulged loop, respectively. Then, by taking two adjacent symbols,
14 possible combinations can be formed, each one having a special meaning. For example: “= −”,
“= .”, and “=:” represent the boundary of the stem/loop, and “: ∧” represents that the loop is
asymmetric. The frequency of each combination is used as a feature vector. This representation is
also used to calculate four more features: pMatch, pMismatch, pDI and pBulge. These features
are calculated over putative mature miRNA, selected as the 22 nucleotide region where base-pairing
is maximum. They represents the base pairing frequency, the non-pairing frequency, the deletion
and insertion frequencies and the symmetry of the bulged loops, respectively.
Another kind of features is related to the stems, which are structural motifs containing more
than three contiguous base pairs (Ng and Mishra, 2007). These features are the number of stems,
the proportion of each possible base pair per stem, average base pair number per stem and length of
the longest stem. The rest of features are the stem region (the stem part of the stem-loop) length,
terminal loop length, bulges number, loops number, longest loop length, asymmetric and symmetric
loops number, nucleotides in symmetric and asymmetric loops, longest symmetric region, average
length of symmetric loops, average length of asymmetric loops, number of bulges and loops of length
1, 2, ..., 7 and greater, base pair number, adjusted base pair propension, base pair proportion and
G + Ccontent in the terminal loop (Lopes et al., 2014). Finally, miRNAfe can calculate reads count
from RNAseq data. This feature needs the user to provide an extra file with reads, which miRNAfe
aligns with the analyzed sequences and counts the corresponding matches. For a full description of
each feature see the supplementary material.
2.3 Thermodynamics stability
The features in this group are related to the thermodynamics stability of a sequence. The mostly
used feature is the minimum free energy (MFE): the estimated energy that one sequence frees
when folded into the most stable secondary structure (Zuker and Stiegler, 1981). The ensemble free
energy (EFE) has a similar meaning and it is obtained with the algorithm from McCaskill (1990).
3
Tải bản FULL (105 trang): https://bit.ly/3Bh2ull
Dự phòng: fb.com/TaiHo123doc.net

Other features of this group are calculated as combinations of those values. For example, the MFE
index 1 (MFEI1) is the ratio between the minimum free energy and the G + Ccontent defined in 1.
Similarly, miRNAfe can calculate MFE − EFE difference, adjusted MFE, MFEI2, MFEI3 and
MFEI4 (Rukshan and Vasile, 2009). There are also some features that use information theoretic
approaches to estimate the confidence of the predicted secondary structure, such as the adjusted
Shannon entropy of the pairing probabilities (Ng and Mishra, 2007), defined as
dQ =
1
`
X
ij
pij log2 pij, (3)
where pij is the probability that the nucleotide i forms a pair with the nucleotide j and l is the
sequence length. The base pair probabilities are calculated with the algorithm from McCaskill
(1990). Another example is the adjusted base pair distance, defined as
dD =
1
`
X
ij
pij(1 − pij). (4)
Additionally, in this group miRNAfe can calculate the ensemble frequency, set diversity, stem
3’ and 5’ potential, and loop potential (Terai et al., 2007). There are 15 features in this group,
which are described in more detail in the supplementary material.
2.4 Statistical stability
It is well-known that precursors containing a miRNA are more stable than random sequences. The
features in this group are calculated as the standard score of any feature related to stability. To
calculate this score, a random population of sequences has to be generated swapping the bases
of the analyzed sequence. This way, the artificially generated sequences conserve the nucleotide
proportions or even the dinucleotide proportion if some swaps are restricted (the tool has an option
to choose which swap method to use). For each generated sequence, the stability can be measured
with the z-score (Bonnet et al., 2004), defined as
z =
x − µ
σ
, (5)
where x is the original value of the feature, µ is the mean and σ is the standard deviation of the
randomly generated population of sequences. This score represents how many standard deviations
a value is above the population mean. Thus, a negative z-score indicates a sequence that is statisti-
cally more stable that the population mean. Another statistic used to measure the stability of the
sequence in comparison with random sequences is the p-value. It is calculated as the proportion of
random sequences that are more stable that the analyzed sequence. Thus, a low p-value indicates
that the analyzed sequence is one of the most stable of all sequences generated with that nu-
cleotide/dinucleotide proportion. The stabilities measures that can be normalized with z-score are:
MFE (named zMFE), EFE (zEFE), adjusted MFE (zG), Shannon’s entropy (zQ), base pair
propensity (zP) (Ng and Mishra, 2007) and base pair distance (zD) (Jiandong et al., 2010). The
p-value can be used to normalize the MFE (pMFE) (Bonnet et al., 2004) and the EFE (pEFE)
(Jiandong et al., 2010). Although z-score and p-value are alternative statistics for these features,
they are often used together in prediction since they can take very different values (Jiandong et al.,
2010).
4
6228934

Nuevo enfoque de aprendizajesemi-supervisado para la identiﬁcaciónde secuencias en bioinformática.pdf

Más contenido relacionado

Similar a Nuevo enfoque de aprendizajesemi-supervisado para la identiﬁcaciónde secuencias en bioinformática.pdf (20)

Más de NuioKila (20)

Último (20)

Nuevo enfoque de aprendizajesemi-supervisado para la identiﬁcaciónde secuencias en bioinformática.pdf