Clusterización de proteínas mediante metaheurísticas multiobjetivo en la familia coronaviridae

Abstract

Resumen. Actualmente la población mundial ha conocido sobre la existencia del coronavirus y las enfermedades que puede causar, así como las consecuencias que conlleva una pandemia. Sin embargo, no todas las personas conocen la existencia de la familia coronaviridae y el historial de los problemas que ha generado, debido a que la mayoría de estos virus usan animales como huéspedes, mayormente murciélagos. Este trabajo tiene por objetivo presentar un modelo que construya grupos de organismos basado en las similitudes de las proteínas que lo integran partiendo de la utilización del criterio de mejores aciertos bidireccionales (MAB o BBH). Se plantea como un problema de optimización combinatoria multiobjetivo y se aplican técnicas computacionales con algoritmos propuestos para el análisis de otros organismos. Durante el avance del proyecto, fue necesaria la construcción de piezas de software con el fin de aportar a la eficiencia de las metodologías usadas por medio de la automatización de la adquisición de los datos. Se ha trabajado con 68 organismos de los más de 200 reportados en la familia de los coronaviridae. Los proteomas fueron obtenidos de repositorios de secuencias que previamente han sido curados y dan confianza en la calidad de la información que contienen. En el primer capítulo se extiende un compendio de las temáticas de mayor relevancia para el desarrollo del proyecto. El contenido del segundo capítulo es la descripción del proceso de obtención de los datos, y la aportación de una herramienta que automatiza su preprocesamiento. Durante el capítulo tercero se presenta el modelo propuesto para resolver mediante una metaheurística el problema de optimización multiobjetivo de la búsqueda de grupos de proteínas y se relata la selección de una metaheurística de carácter poblacional como es el EDA o Algoritmo de Estimación de la Distribución, que ha sido la herramienta seleccionada para realizar la búsqueda de los grupos de datos luego de su alistamiento y procesamiento. En el mismo capítulo se presentan las funciones objetivo seleccionadas para la clusterización y subsecuentemente la salida obtenida de la ejecución de los experimentos. La sección de resultados muestra las agrupaciones propuestas por los clústeres generados con la ayuda de la metaheurística que agrupa respecto de las proteínas y las similitudes que éstas tienen. El trabajo desarrollado y explicado en este documento trata de realizar una contribución con la identificación de grupos de proteínas de los miembros de la familia coronaviridae usando una perspectiva desde el área proteómica. Esto conllevará a que los esfuerzos de entender estos organismos (también se puede aplicar a otros organismos), tengan en cuenta los elementos que son comunes entre ellos y se puedan tomar acciones que contrarresten su impacto en la humanidad a manera de familia y no de un solo organismo.

Abstract. Nowadays the global population knows about coronavirus and the diseases that it can produce and, more important, the consequences in a lot of ways of a pandemic. But not all people know about the existence of the coronaviridae family, and the record of problems generated, because in a lot of this viruses the hosts is any animal, in a greater extent, bats. The aim of the work is to present a model to build a set of organisms based in the similarity of the proteins that make it up supported in the Bidirectional Best Hits (BBH) concept. The work developed and explained here try to contribute with the identification for a set of characteristics of the coronaviridae family members using a perspective in the proteomic area. Applying biocomputational techniques mixed with algorithms proposed for analyze other organisms. While this project was necessary develop a software piece aimed to support of the used methodologies. Has been used 68 organisms from over 200 reported in the coronaviridae family. The proteomes have been obtained from reviewed sequences repositories to have more confidence in the quality of the information contained. The first chapter confines an extended the more relevant syllabus needed for the project. In the second chapter it is described the acquisition of the proteomic data, with the developed tool for the automation of the data preprocessing. For the third chapter the aim is to relate the specific approach to the optimization problem. Also, this chapter contains the object functions selected for clustering and the metaheuristic selection process, the EDA (Estimation Distribution Algorithm) chosen for look the groups of data after the preprocess. Subsequently in the same chapter the output of the experiments performed will be presented. The results section of the document shows the sets proposed for the generated clusters based in the selected metaheuristic that make groups based in the proteins and their similarity. It will drive for an effort for understand these organisms contemplating the common elements between they and take actions to reduce their impact in the human spice as a family and not as a single organism.