Alberto Risueño Pérez - Gredos - Universidad de Salamanca

Tesis Doctoral
Human Exon 1.0. La lógica del algoritmo se implementó en un paquete llamado ESLiM que
incluye las siguientes funciones:
74
• doLinearModel: Realiza el cálculo de residuales a partir de las matrices de expresión a
nivel de genes (medidos con la estrategia "total" de ESLiMt o por la estrategia "core"
de ESLiMc ya explicadas) y a nivel de exones. Para este cálculo también se necesita el
fichero de anotación de exones presente en GATExplorer donde se relaciona cada
identificador de exón (ENSE) con el identificador del gen (ENSG).
• removeRedundantExons: Elimina los exones de Ensembl que son redundantes, ya que
–pese a ser casi solapantes y estar localizados en la misma región cromosómica y locus
génico– tienen identificadores (ENSE ids) diferentes por variar su longitud en una
pocas bases (bp) o tener distintos puntos de inicio o final UTR. Para eliminar esta
redundancia, todos los identificadores de exones mapeados por el mismo conjunto de
sondas de un microarray son agrupados en uno solo, tomándose como identificador
único el primero (siguiendo el orden alfabético). Esta función elimina así muchos
resultados que son totalmente redundantes (debido al problema de los ids descrito)
que analizan exactamente la misma región exónica codificante. Esta función toma
como entrada el listado generado por la función anterior: doLinearModel.
• geneOriented: Agrupa los distintos exones significativos colapsándolos en genes. Estos
exones significativos han sido identificados previamente a partir de los residuales
obtenidos por la función doLinearModel y tras el paso de eliminación de redundancias.
La función toma como entrada los identificadores de exones, sus p-­‐valores y el fichero
de anotación de exones de GATExplorer. Como salida esta función proporciona el
porcentaje de exones alterados para cada gen respecto del total de exones detectables
por el microarray, haciendo distinción entre exones codificantes y exones no
codificantes de proteína. Además proporciona 2 valores de probabilidad: el p-­‐valor
más bajo de todos sus exones y la mediana de todos ellos.
Las listas procedentes de análisis de expresión diferencial a nivel de genes suelen proporcionar
varios cientos o miles de entradas. A pesar de existir herramientas para realizar
interpretaciones automáticas de estos listados, a menudo puede ser demasiada información
para el investigador. Este problema se agrava con el manejo de listas de exones, que multiplica
en más de 10 el tamaño de las listas de genes (ver introducción, tabla 1). La orientación a
genes que proporciona el paquete ESLiM en su salida final, permite una reducción del número
de resultados significativos ya que apunta directamente a genes específicos como los mejores
candidatos a sufrir splicing. Los resultados amplios –muchas veces masivos– obtenidos exón a
exón también son proporcionados por el algoritmo, pero son puestos en un segundo plano. En
todo caso la salida puede ser reordenada por el usuario por significación acorde a los distintos
parámetros proporcionados por el algoritmo.
3.3.2 Comparativa de ESLiMt y ESLiMc con otros algoritmos para la
búsqueda de splicing previamente publicados
La eficiencia de cada algoritmo fue medida utilizando como set de datos de comparación el set
de Affymetrix de microarrays de exones de 11 tejidos humanos –con tres réplicas cada uno–
combinado con los datos de splicing validados respecto a una serie de genes humanos en
distintos tejidos (Wang et al., 2008). Esta combinación suministró un conjunto final de 6
tejidos (ver apartado 3.2.1). Estos 6 tejidos fueron comparados 2 a 2 por cada uno de los 5