La presentazione è in caricamento. Aspetta per favore

La presentazione è in caricamento. Aspetta per favore

Introduzione alle reti neurali Francesco Piva Istituto di Biologia e Genetica Università Politecnica delle Marche.

Presentazioni simili


Presentazione sul tema: "Introduzione alle reti neurali Francesco Piva Istituto di Biologia e Genetica Università Politecnica delle Marche."— Transcript della presentazione:

1 Introduzione alle reti neurali Francesco Piva Istituto di Biologia e Genetica Università Politecnica delle Marche

2 Poiché il codice genetico è degenere, nelle sequenze codificanti dei geni si possono trovare due peculiarità: la non equiprobabilità nelluso dei codoni sinonimi definisce un codon usage caratteristico delle specie la correlazione tra basi in posizioni diverse definisce il context-dependent codon bias Nella teoria dellinformazione, la non equiprobabilità nella comparsa dei simboli e la correlazione tra simboli di un codice definiscono la ridondanza di un linguaggio. Caratteristiche delle sequenze codificanti

3 Vantaggi e svantaggi della ridondanza : tanto più un linguaggio è ridondante, tanto minore è la sua efficienza informativa. In altre parole: a parità di messaggio da trasmettere o memorizzare, dobbiamo utilizzare più simboli per il linguaggio più ridondante maggiore è la ridondanza di un linguaggio, maggiore è la sua robustezza cioè la capacità di essere compreso anche a seguito di disturbi o mutazioni la ridondanza permette la coesistenza di linguaggi a diversi strati: traduzione in proteina ma anche regolazione dellefficienza di splicing. Es. motivi ESE (exon splicing enhancer) e ESS (exon splicing silencer).

4 Tramite software da noi realizzato, abbiamo analizzato le correlazioni tra un codone e un nucleotide separati da una distanza compresa tra 1 e 90 basi, ac g nelle sequenze codificanti di H.sapiens, C.elegans e M.musculus, per determinare in che modo la presenza di un certo codone influenzi le basi che seguono La nostra anslisi

5 I file contenenti le sequenze dei geni sono state prelevate da Genbank. Purtroppo una parte delle sequenze contenute nei file presentavano dei problemi: alcuni geni non iniziavano con atg, codoni di stop prematuri, sequenze troncate prima del codone di STOP, sequenze duplicate, geni not experimental. Origine e trattamento dei dati I file sono stati puliti e ordinati con dei programmi che abbiamo sviluppato ad hoc.

6 Tabella riassuntiva che riporta le principali correlazioni tra una tripletta e i nucleotidi a valle

7 Uno sguardo di dettaglio

8 Poiché lo schema delle correlazioni nelle posizioni 3n, è caratteristico di una specie, si è pensato di utilizzarlo per provare a riconoscere la specie a cui appartiene una certa sequenza genica. Sequenza genica H.sapiens C.elegans M.musculus ……………… ? Per la non linearità e lelevato numero di variabili del problema si è scelto di affrontarlo utilizzando un algoritmo che implementa una rete neurale. Idea

9 Uno dei più grossi problemi del modello computazionale matematico introdotto da John von Neumann (Macchina di von Neumann) è la sua rigidità e l'impossibilità di rispondere a stimoli esterni (input) in maniera diversa da ciò che viene inizialmente immesso nell'elaboratore.John von Neumann In parole semplici, un computer, generalmente, può riconoscere e rispondere solo a stimoli che sono stati codificati precedentemente; anche le risposte, inoltre, sono sempre rigidamente decise a priori. Le Reti Neurali nascono dallidea di poter riprodurre alcune delle funzioni e capacità del cervello umano Larea di applicazione dominante delle Reti Neurali (RN) è il riconoscimento di regolarità, o pattern recognition, e lobiettivo fondamentale di tale caratteristica è la classificazione. (categorizzazione) Un esempio delle sue potenzialità è la possibilità di riconoscere volti, voci etc.

10 Il neurone artificiale w1w1 w2w2 w3w3 wnwn x1x1 x2x2 x3x3 xnxn b bias weights inputs f non linear function assoni sinapsi dendriti assone corpo

11 strato di neuroni di ingresso strato di neuroni nascosto o intermedio strato di neuroni di uscita uscite Similitudine tra una rete neurale biologica e una artificiale Struttura di una rete neurale nodi

12 Vantaggi dellutilizzo delle reti neurali: Capacità di riprodurre (o modellare) qualsiasi comportamento non lineare di un sistema Capacità di apprendere e costruire una conoscenza da esempi o dati di esperimenti ingresso uscita Sistema da studiare ingresso uscita Capacità di classificare dati apparentemente non raggruppabili uscita ingresso Es: statistica multivariata

13 Altre caratteristiche Risposta continua ad esclusione di un numero finito di discontinuità ad input simili la rete risponde con output simili Tolleranza agli errori scostamenti non significativi dei valori di input vengono assorbiti dalla rete, diminuendo così il rumore statistico e risultando tolleranti agli errori o al decadimento del segnale Tolleranza ai guasti La presenza di molte unità di processamento parallele l'eventuale perdita di un unità ha, nel caso di architetture con molti neuroni, conseguenze non irreparabili Capacità di memorizzare

14 Svantaggi dellutilizzo delle reti neurali: Ai fini dellapprendimento dobbiamo fornire alla rete neurale tanti più esempi quanto più fortemente non lineare è il sistema da modellare. Non sappiamo a priori quale sia la miglior topologia (numero di nodi, di strati, collegamenti fra nodi e tipo di funzioni che devono implementare i nodi di ciascun strato) da assegnare alla rete neurale affinchè modelli al meglio il nostro sistema. Una volta che la rete funziona, non sappiamo nulla del suo modello interno, in altre parole non fornisce spiegazioni sul funzionamento del sistema che stiamo studiando. La rete è per noi una scatola nera.

15 output input Rete neurale Modifica dei pesi output desiderato Apprendimento Supervisionato

16 Il problema dei minimi locali Con reti neurali a più strati e funzioni non lineari, lapprendimento può arrivare ad un minimo locale e non garantire la convergenza

17 Problemi di apprendimento

18 Per avere unidea della complessità di addestramento di una rete neurale

19 Allaumentare della complessità della rete aumentano le possibilità di classificazione

20 Esempi di applicazione Riconoscimento caratteri Riconoscimento immagini tele-rilevate Macchina da scrivere fonetica Eliminazione del rumore (sonar) Sistemi di controllo Previsioni di marketing Previsioni finanziarie Compressione di dati e immagini

21

22

23

24

25

26

27

28 Evoluzione della capacità di classificare della rete neurale

29 I geni di una stessa specie hanno delle caratteristiche in termini di sequenza che li accomuna e permette di riconoscerli Si possono distinguere anche specie che hanno geni con forte omologia (uomo e topo) Queste differenze sono legate ad una diversa selezione delle mutazioni nel corso dellevoluzione? O a un diversa funzionalità (splicing, attivazione genica, interazioni con proteine di regolazione)? E una possibile prova dellesistenza di un linguaggio o codice ad un livello diverso da quello conosciuto? Se non si spinge troppo lapprendimento si ha una situazione in cui è possibile definire un nuovo modo per valutare la distanza di un gene fra specie diverse. Implicazioni:

30 Riconoscere le specie quando si estraggono geni da matrici biologiche complesse o sconosciute Migliorare i programmi di riconoscimento dei geni dal genoma Individuazione di specie estranee in organismi OGM Avere un sistema di riconoscimento delle specie che sia portatile, nel caso ci si trovi sul campo e non si abbia accesso alle banche dati su internet Avere nuove indicazioni per la comprensione del funzionamento e dellevoluzione delle sequenze codificanti Definire meglio le incompatibilità fra genomi di specie diverse molto simili, le barriere tra le specie Possibili utilizzi dellalgoritmo:

31 Provare a distinguere le sequenze introniche ed esoniche Provare a distinguere le sequenze codificanti e non Aumentare il numero delle specie che è possibile riconoscere Sviluppi futuri: Ringraziamenti: Prof Giovanni Principato Direttore dellIstituto di Biologia e Genetica, Università Politecnica delle Marche, Ancona Dott Michela Raponi Istituto di Biologia e Genetica, Università Politecnica delle Marche e International Centre for Genetic Engineering and Biotechnology, AREA Science Park, Trieste

32 Un esempio pratico: previsione dellefficienza di splicing Affinchè lo splicing del pre-mRNA avvenga correttamente è necessario che gli introni e gli esoni siano definiti attraverso i siti di splicing in 5 e in 3. A seguito del processo di splicing, non tutti gli mRNA processati da pre-mRNA di ugual sequenza potrebbero contenere gli esoni definiti in precedenza e allora si definisce efficienza di splicing relativa ad un particolare esone, il rapporto tra la quantità di mRNA contenente lesone e il pre-mRNA totale processato. Per modulare lefficienza di ritenzione dellesone intervengono proteine che si legano a sequenze esoniche promuovendone od ostacolandone linclusione. Di queste sequenze, le prime si dicono exon splicing enhancer (ESE), le altre si dicono exon splicing silencer (ESS).

33

34 Di seguito riportiamo le previsioni in formato grafico della distribuzione dei motivi ESE ottenuta con il programma ESEfinder (http://exon.cshl.edu/ESE/index.html). I primi tre grafici sono stati ottenuti con sequenze esoniche che sappiamo avere efficienza di splicing nulla o al massimo del 5%.http://exon.cshl.edu/ESE/index.html SF2/ASFSC35 SRp40SRp55

35 Questi grafici sono stati ottenuti inserendo sequenze esoniche che sappiamo avere efficienza del 100%. Si nota che in termini di densità di motivi ESE, non cè una grande differenza tra i grafici delle sequenze a minima e a massima efficienza, di qui la limitata utilità dei programmi attualmente disponibili.

36 ….G T A C G T T T A C G… Efficienza %

37 Campus di Padriciano Campus di Basovizza SISSA Scuola Internazionale Superiore di Studi Avanzati the abdus salam international centre for theoretical physics Osservatorio Astronomico di Trieste INAF Laboratorio di biologia marina Istituto talassografico Il castello di Miramare


Scaricare ppt "Introduzione alle reti neurali Francesco Piva Istituto di Biologia e Genetica Università Politecnica delle Marche."

Presentazioni simili


Annunci Google