-
7/22/2019 Articulo Expoingenieria 2010 4-05-2010
1/5
IMPLEMENTACIN DE TCNICAS ALGORTMICAS BIOINFORMTICAS
ENPROGRAMACIN PARALELA PARA EL ALINEAMIENTO MULTIPLE DE
SECUENCIAS
EFRAN HERNANDO PINZN REYES., M.Sc.UNIVERSIDAD DE SANTANDER
[email protected]
MAURICIO MORENO IDARRAGA., Ing.UNIVERSIDAD DE SANTANDER
[email protected]
NATHALI ROMERO-ALEAN., M.ScUNIVERSIDAD DE SANTANDER
[email protected]
ALVARO MAURICIO FLOREZ ESCOBAR., Ph.DUNIVERSIDAD DE
SANTANDER
[email protected]
Palabras claves: Bioinformtica, Tcnicas Algortmicas, Programacin
Paralela, Alineamiento Mltiple deSecuencias, Clustalw.
1. INTRODUCCION
La Bioinformtica es una disciplina emergenteproducto de la fusin
de las ciencias biolgicas ylas tecnologas informticas desde hace
mediosiglo [1] y fundamentada en el uso deherramientas
computacionales como la base parael anlisis y procesamiento de
datos. Desde susinicios hasta la actual era postgenmica,
estadisciplina ha mejorado en el desarrollo dealgoritmos acoplando
las tcnicas moleculares enla medida en que avanza y evoluciona
eldesarrollo computacional. Sin embargo, todavaexisten dos
limitantes importantes relacionadascon: el tiempo de cmputo
(procesamiento yvelocidad en el anlisis de datos) y la
pertinenciadel modelo matemtico acorde con el modelo deevolucin
molecular.En este artculo se describe la experiencia sobre
laimplementacin de tcnicas algortmicas de
programacin paralela dirigidas al mejoramientoen el
procesamiento y anlisis de secuencias.
2. PLANTEAMIENTO DEL PROBLEMA
El Laboratorio de Biologa Molecular yBiotecnologa de la
Universidad de Santander,adelanta estudios en bioprospeccin
donderequiere del soporte bioinformtico, sobre todo enlo
relacionado con los anlisis de secuencias y losestudios
filogenticos, mediante los cuales se
pueden identificar grupos microbianos y lasrelaciones genticas
entre individuos que mstarde pueden ser aprovechados con fines
biotecnolgicos .
Para el desarrollo de los estudios filogenticos, sedesarrollan
cinco procedimientoscomputacionales:
1. Seleccin de las secuencias genmicas deinters.
2. Alineamiento de secuencias.3. Seleccin del modelo para la
construccin del rbol filogentico(mtodo de distancia, de estado
decarcter o Bayesiano).
4. Aplicacin de un algoritmo deagrupamiento (UPGMA,
neighbor-
joining).5. Asignacin de confiabilidad (bootstrap).
De estos procedimientos los que mayor trabajocomputacional
requieren son el alineamiento delas secuencias y la construccin del
rbol. La
complejidad aumenta segn el nmero desecuencias involucradas, la
dimensin de lassecuencias medidas en nmero de pares de bases yla
seleccin del algoritmo de agrupamiento alcual va a ser sometido el
anlisis. Estos dos
procedimientos son en donde los desarrollos deinvestigacin en
bioinformtica son ms
pertinentes.
1
-
7/22/2019 Articulo Expoingenieria 2010 4-05-2010
2/5
Algunas alternativas algortmicas han mostradoser eficientes en
la optimizacin del
procedimiento de alineamiento mltiple desecuencias. Por tanto,
se hace especial nfasis enel algoritmo ClustalW [3] por ser
esteampliamente referenciado en la literatura yampliamente
difundido en la prctica a travs delas mltiples distribuciones de
softwaredesarrollado con este propsito como Mega 4.0y Bioedit
[4].
3. ALINEAMIENTO MULTIPLE DESECUENCIAS
Los alineamientos mltiples de secuencia sedeben entender como
modelos que se usan paracontrastar hiptesis biolgicas [5], que para
estecaso se entienden como un requisito previo para
determinar la homologa (en el sentido evolutivodos secuencias
son homlogas si y slo si hanadquirido su estado de un mismo
ancestro comn)[6].
4. TECNICAS ALGORITMICAS
La exactitud computacional en el anlisismltiple de secuencias es
casi imposible. En la
prctica se usan algoritmos de aproximacin quemaximizan la
similitud de las secuencias [7]. Laorientacin metodolgica del
desarrolloalgortmico, est centrada en la produccin de
alineamientos estructuralmente correctos. Paraello suelen usarse
combinaciones de programacindinmica y mtodos heursticos que
permitenconservar un equilibrio en la generacin demodelos que
reflejen con mayor precisin laevidencia biolgica conocida y
disminuyen eltiempo de cmputo.
Un alineamiento mltiple de secuencias para laaplicacin de las
tcnicas computacionales se
puede entender como una matriz. Las filas de lamatriz son las
secuencias genmicas o proteicasconformadas por molculas de ADN o
protenasrespectivamente provenientes de las especies aestudiar.
Cada fila es una especie y las columnascontienen una posicin que
representa una basenitrogenada o para el caso de una protena,
unaminocido.
En la medida que el nmero de filas aumenta, esdecir, el nmero de
secuencias por alinear, eltiempo de cmputo crece exponencialmente
[1].Tambin la complejidad computacional aumenta
en la medida en que la extensin de las columnasinvolucradas
crece, que en el caso del ADNcorresponde al nmero de pares de bases
de lassecuencias seleccionadas.
Los mtodos de alineamiento mltiple msimplementados son: el
alineamiento mltiplesimultane y el alineamiento mltiple
progresivo[1]. El primero trabaja sobre conjuntos pequeosde
secuencias cortas. El segundo puede trabajar demanera eficaz sobre
grandes conjuntos de datos.Algunas tcnicas heursticas suelen ser
aadidas
para optimizar el tiempo de cmputo [1].
El mtodo de alineamiento mltiple progresivo esel ms popular.
Este mtodo es usado para laconstruccin de algoritmos de uso
constante en lasciencias biolgicas como ClustalW [3], yalgoritmos
ms recientes y potentes como Kalign[8]. La galera de las
distribuciones software
como: Multalign, Multal y ClustalX [8], Bioedit,Mega 4.0 [4],
permiten la implementacin deestos algoritmos.
5. CLUSTALW
El algoritmo ClustalW es ampliamente utilizadoen la elaboracin
de alineamientos mltiples y la
preparacin de rboles filogenticos [10]. Su augese debe a su
portabilidad a diferentes sistemasoperativos, su licencia de libre
uso, sus mduloseficientes y su rpida capacidad para producir
resultados [11].
El algoritmo ClustalW crea un alineamientomltiple global a
partir de un grupo de secuencias.Usa el mtodo de alineamiento
progresivo de
pares de bases. En la puesta en marcha delalgoritmo se construye
un dendograma, es decir,un rbol de ruta entre las secuencias que
sesometen al alineamiento. Este rbol no se puedeconsiderar
filogentico y es usado para visualizarel orden en parejas de los
alineamientos queoriginan el alineamiento final.
A continuacin se ejemplifica un alineamiento de10 secuencias de
ADN bacteriano usando elsoftware Bioedit que incorpora en
elalineamiento el algoritmo ClustalW.
Paso 1. Seleccin de las secuencias que van aparticipar del
alineamiento. Las secuencias seacomodan en forma matricial, una
secuenciadespus de la otra, cada fila es una secuencia deADN
bacteriana (Figura 1).
2
-
7/22/2019 Articulo Expoingenieria 2010 4-05-2010
3/5
Figura 1. Seleccin de las secuencias
Paso 2. Seleccin del algoritmo Clustalw. Elsoftware Bioedit
permite dentro de su galera eluso del algoritmo ClustalW, la
implementacindel mismo es realizada por la aplicacin (Figura2).
Figura 2. Seleccin del ClustalW
Paso 3. Seleccin de las opciones deprocesamiento involucrando
elementos para lacreacin del dendograma (Figura 3).
Figura 3. Seleccin de Opciones
Paso 4. Generacin del alineamiento (Figura 4).
Figura 4. Procesamiento del alineamiento
Paso 5. Vista del alineamiento mltiple realizado.Se puede
observar como las columnas buscanconservar la mayor similitud
posible en las basesnitrogenadas, existe la introduccin de
espacios(gaps) por el algoritmo para la realizacin delalineamiento
(Figura 5).
Figura 5. Resultados del alineamiento
Estos resultados son usados como insumo para larealizacin de
estudios filogenticos. La demoraen el tiempo de procesamiento
aumenta enrelacin a las secuencia por alinear se estima que
para un alineamiento de ms de 100 secuencias de1500 pares de
bases el tiempo de procesamientoes de siete horas.
6. PROGRAMACIN PARALELA
La optimizacin algortmica ha permitido mejorasen el tiempo de
cmputo y en el aumento delgrado de confiabilidad en la
correspondencia conlos modelos biolgicos. Sin embargo, el
desafocomputacional generado por el gran volumen de
datos biolgicos a estudiar, es cada vez mayor ydemanda la
implementacin de otras tcnicascomputacionales.
Dentro de las tcnicas computacionalesactualmente diseadas para
reducir el costo deoperacin computacional se encuentra el
paradigma de computacin paralela.
En programacin paralela, un algoritmo puederedefinirse para que
sus procesos se distribuyancomputacionalmente a varios
procesadoresdividindose la carga de procesamiento
computacional y disminuyendo el tiempo decmputo total.
El Laboratorio de Biologa Molecular yBiotecnologa UDES, mediante
la Unidad deBioinformtica, ha incursionado en laimplementacin de
algoritmos de alineamientomltiple de secuencias diseados desde
el
paradigma de programacin paralela.
3
-
7/22/2019 Articulo Expoingenieria 2010 4-05-2010
4/5
Actualmente el Laboratorio implementa elalgoritmo ClustalWmpi
que est basado en susimilar Clustalw manteniendo las
mismascaractersticas que el original, optimizando eltiempo de
ejecucin, ya que fue diseado paraaprovechar infraestructura
hardware ms potente.
6.1 CLUSTALWMPI
ClustalWmpi paraleliza los tres pasos delalgoritmo ClustalW para
reducir el tiempo deejecucin. Estos tres pasos son: alineamiento
de
pares, generacin de arboles guas y la alineacinprogresiva.
El software se ejecuta en estaciones de trabajotipo clster o en
computadoras con procesadoresen paralelo. Para ello se utiliza una
librera de
pasos de mensajes MPI (Message PassingInterface) [12]. El
Laboratorio implement el
algoritmo sobre una arquitectura de cluster,utilizando la
distribucin Rock Cluster v 5.2conformada por unFrontendy tres nodos
(Figura6).
Figura 6. Clster implementado
La implementacin del ClustalWmpi en el clsterfue exitosa
tecnolgicamente, la arquitecturafuncion distribuyendo la carga
computacionalentre nodos y reduciendo los tiempos de
procesamiento aproximadamente en ms del 50 %de los que se
lograra con un solo procesador [13](Figura 7).
Figura 7. Optimizacin ClustalWmpi
Se puede evidenciar como los procesos delineamiento son
distribuidos entre el Frontend ylos tres nodos (Figura 8); aunque
la carga no sedistribuye homogneamente, se observa que
elalineamiento progresa haciendo uso de lainfraestructura
Clster.
Figura 8. Procesando ClustalWmpi leyenda
7. CONCLUSIONES
La programacin paralela puede ser unaherramienta importante como
parte de uncomponente informtico para la aplicacin ydiseo de
algoritmos computacionales necesarios
para el alineamiento mltiple de secuencias locual reduce los
costos de procesamiento entrminos de tiempo. Por tanto, se hace
necesariocontinuar con el estudio de tcnicas algortmicas y
4
-
7/22/2019 Articulo Expoingenieria 2010 4-05-2010
5/5
su adaptacin a la computacin paralela lo cualpermitir aumentar
el nmero de secuencias poralinear.
8. REFERENCIAS
[1] Franco, M., Cediel, J., Payn, C. 2008. Brevehistoria de la
Bioinformtica. Colombia Mdica39:117-120
[2] Kimura, M. 1980. A simple method forestimating evolutionary
rates of base substitutionsthrough comparative studies of
nucleotidesequences. Journal Molecular Evolution 16: 111-120.
[3] Thompson, J.D., Higgins, D.G., Gibson, T.J.1994. CLUSTAL W:
improving the sensitivity of
progressive multiple sequence alignment throughsequence
weighting, position-specific gappenalties and weight matrix choice.
Nucleic AcidsResearch 22: 4673-4680.
[4] Tamura K., Dudley, J., Nei M., Kumar, S.2007. MEGA 4:
Molecular Evolutionary GeneticsAnalysis (MEGA) software version
4.0.Molecular Biology and Evolution. 24: 1596-1599.
[5] Attwood T. K., Parry Smith D. J. 2002. En:Introduccin a la
Bioinformtica. Prentice Hall.Reino Unido. pgs. 137-149.
[6] Lerney, P., Salemi, M., A.W. Vandamme.2009. The Phylogenetic
Handbook: a practicalapproach to Phylogenetic analysis and
hypothesistesting. 2 Ed. Cambridge University Press.Cambridge,
UK.
[7] Notredame, C. 2007. Recent Evolutions ofMultiple Sequence
Alignment Algorithms. PLoSComputational Biology 3:1405-1408.
[8] Lassmann, T., Sonnhammer, E. 2005.Kalign--an accurate and
fast multiple sequence
alignment algorithm. BMC Bioinformatics 6: 298.
[9] Chakrabarti, S., Bhardwaj, N. 2004.Improvement of alignment
accuracy utilizingsequentially conserved motifs. BMCBioinformatics
5: 167.
[10] Lee Y., Oh Jeongsu, S. 2008. A Simple andFast Web Alignment
Tool for Large Amount of
Sequence Data. Genomics & Informatics 6: 157-159.
[11] Mansour, A. 2008. ClustalW : WidespreadMultiple sequences
alignments program. Journalof Cell and Molecular Biology 7:
81-82.
[12] Kuo-Bin Li. 2003. ClustalW-MPI: ClustalWanalysis using
distributed and parallel computing.Bioinformatics 19:
1585-1586.
[13] Moreno, M. 2010. Caracterizacin desoftware libre para la
implementacin de clustersy comprobacin del funcionamiento de un
clsterde alto rendimiento. Trabajo de Grado.Universidad de
Santander.
5
