Alberto Risueño Pérez - Gredos - Universidad de Salamanca

Tesis Doctoral
pueden agrupar en: técnicas de aprendizaje no supervisado, técnicas de aprendizaje
supervisado y técnicas de aprendizaje semi-­‐supervisado.
2.1.1. Análisis de datos genómicos por técnicas de aprendizaje no
supervisado
El aprendizaje no supervisado trata de proporcionar información basándose en los datos de
múltiples muestras sin haber sido previamente categorizadas o etiquetadas por algún tipo de
característica o tipología. Este aprendizaje se basa en encontrar similitudes y diferencias entre
las distintas muestras, para lo cual el cálculo de las distancias o medida de disimilitud entre
ellas es una tarea crítica. Este tipo de aprendizaje tiene distintas utilidades en el ámbito de la
biomedicina como en la categorización automática de enfermedades agrupando pacientes con
perfiles similares partiendo de una población supuestamente homogénea. También se ha
utilizado con éxito para encontrar relaciones entre genes partiendo de sus perfiles de
expresión genómica, revelando la existencia de grupos que se asocian con funciones biológicas
diferentes. Entre las técnicas no supervisadas figuran los métodos de agrupamiento jerárquico
que representan las distintas muestras en función de su cercanía conformando una estructura
de árbol llamada dendrograma. Estos métodos son muy utilizados para representar las
similitudes y diferencias existentes entre las distintas muestras de un estudio. También es
común combinar dos dendrogramas formando un mapa bidimensional (llamado mapa de calor
o heatmap) que, ayudado de un código de colores, permite una mejor identificación visual de
los distintos grupos de muestras encontrados. Existen otros muchos métodos de
particionamiento que dividen las muestras en distintos grupos, como el algoritmo k-­‐medias
(MacQueen, 1967) y otro tipo de métodos de agrupamiento difuso, en donde la clasificación
de las distintas muestras no es excluyente entre los distintos grupos identificados (Gath and
Geva, 1989; Xie and Beni, 1991).
Debido a la alta dimensionalidad de muchos de los conjuntos de datos genómicos, existen
métodos que tratan de reducir el número de variables con la menor pérdida de información
posible. Entre estas técnicas se encuentra el llamado análisis de componentes principales
(PCA), que transforma los datos creando unas nuevas variables llamadas componentes
principales, calculada cada una a partir una aplicación lineal de las variables originales (Jolliffe,
1986). Estas componentes principales están ordenadas en base a la importancia de la
información que contienen y tienen el poder de representarla en una dimensionalidad muy
inferior a la original. Esto supone una ventaja al plantear una estrategia de clasificación en
donde muchos métodos tienen problemas al manejar los datos genómicos de alta
dimensionalidad de los microarrays (Pochet et al., 2004). Esta reducción de dimensionalidad
también es muy utilizada para representar datos de forma gráfica (Geng et al., 2005).
2.1.2. Análisis de datos genómicos por técnicas de aprendizaje
supervisado y semi-­‐supervisado.
Las técnicas de aprendizaje supervisado son aquellas en las que se utilizan etiquetas para
marcar las distintas clases que componen los datos. En este tipo de aprendizaje, se trata de
entrenar un sistema para obtener información que permita clasificar a posteriori las muestras
de acuerdo a sus categorías. Distintas técnicas de este tipo de aprendizaje son las máquinas de
vector soporte (SVM), modelos de mixtura, redes neuronales o el algoritmo de k-­‐vecinos más
cercanos (Coomans and Massart, 1982; Cover and Hart, 1967). Todas estas técnicas se han
46