Programme et résumés (pdf) - Société statistique du Canada

Mardi 30 mai • Tuesday, May 30, 10:15–11:45 105Session 06C Mardi 30 mai • Tuesday, May 30, 10:15–11:45 SSC2050BioinformaticsBioinformatique[MS-91]Applications of Computational Intelligence to Pattern Discovery in Biological SystemsApplications de l’intelligence informatique à la découverte de patrons reliés aux systèmes biologiquesGary FOGEL, Natural Selection, Inc.Les systèmes biologiques sont intrinsèquement non linéaires.Une méthode pour comprendre les systèmes bio-logiques est de réduire cette non-linéarité à des relationslinéaires pour ensuite appliquer les méthodes statistiquesusuelles de développement de modèles. Lorsque les méca-niques sous-jacentes sont largement linéaires, ces méthodesfonctionnent très bien. Cependant, lorsque les variables enbiologie sont largement non linéaires, de nouvelles méthodesinformatiques peuvent être utilisées pour éviter la réduc-tion aux premiers principes. Cet exposé décrit des tentativesd’utilisation d’intelligence informatique pour la reconnais-sance et la découverte de formes dans un assortiment de pro-blèmes biologiques dont l’espace de paramètres contient dela non-linéarité et/ou qui ont un grand nombre de solutionspossibles.Biological systems are inherently nonlinear. Onemethod of understanding biological systems is tofirst reduce this nonlinearity to linear relationshipsand apply standard statistical methods for modeldevelopment. When the underlying mechanics arelargely linear, these methods work very well. However,when the biology is vastly nonlinear, novelcomputational methods can be employed that avoidreduction to first principles. This lecture describesefforts to use computational intelligence methodsfor pattern recognition and pattern discovery in anassortment of biological problems which containnonlinearity in feature space and/or have vast numberof possible solutions.[MS-92]Operons and the Quality of Predictions of Functional Interactions Using Phylogenetic ProfilesLes opérons et la qualité des prévisions des interactions fonctionnelles en utilisant des profils phylogénétiquesGabriel MORENO-HAGELSIEB, Wilfrid Laurier University, Sarath JANGA, CCG-UNAMLes opérons se composent de gènes qui fonctionnent d’unefaçon reliée. Les profils phylogénétiques sont des vecteursdécrivant la présence ou l’absence d’un gène à travers d’unensemble de données de génome. Si deux gènes fonctionnentensemble, ils devraient être absents ou présents à travers desorganismes. Par conséquent, leurs profils phylogénétiquesdevraient être corrélés. Nous avons déterminé une valeurde confiance pour des prévisions d’opéron en utilisant desprofils phylogénétiques valides dans n’importe quel Proca-ryote. Un ensemble de données non redondant de génomesaugmente le nombre de prévisions à un niveau de confiancede 0,90 par un ratio moyen de 1,36. Les résultats montrentla puissance et l’importance des étalons positifs et négatifspour l’amélioration des prévisions en utilisant le contexte génomique.Operons are composed of functionally-relatedgenes. Phylogenetic profiles are vectors describingthe presence/absence of a gene across a genomedataset. If two genes work together, they shouldbe both either absent or present across organisms.Thus, their phylogenetic profiles should correlate.We devised a confidence value for operon predictionsusing phylogenetic profiles valid in anyProkaryote. A non-redundant genome dataset increasesthe number of predictions at a confidencevalue of 0.90 by an average ratio of 1.36. The resultsshow the power and importance of positiveand negative gold standards for the improvementof predictions using genomic context.SH = Somerville House SSC = Social Science Centre UC = University College