Estrategias multi-etiqueta orientadas a la predicción funcional de proteínas en organismos embryophyta

Abstract

Tradicionalmente, la identificación de funciones en proteínas se ha venido desarrollando por complejos y costosos procedimientos experimentales junto con mecanismos computacionales que buscan similitudes a través de alineamientos secuencia-secuencia, secuencia-perfiles, entre otros. Sin embargo, estos métodos pierden efectividad cuando proteínas con igual función presentan bajas similitudes, los sistemas más recientes emplean métodos de aprendizaje de maquina en espacios que son representados por características evolutivas, químicas, físicas, estadísticas, entre otras. Pero, ´estos se han restringido a problemas donde las clases son mutuamente excluyentes, buscando suplir debilidades de los sistemas tradicionales como: velocidad de inferencia y grado de acierto, este trabajo se ha centrado en el estudio de métodos que manejen simultáneamente múltiples etiquetas. En esta tesis se desarrolla un estudio sobre problemas de clasificación que involucran simultáneamente múltiples etiquetas, para este fin son ajustados una variedad de modelos que capturan la correlación entre las clases, igualmente se proponen un conjunto de alternativas para tratar el desbalance de clases sobre estos problemas. También se analizan y discuten las medidas usadas para calcular los rendimientos de clasificación. Las estrategias analizadas se probaron experimentalmente sobre diferentes conjuntos de datos, pertenecientes a diversas labores tales como: predicción de funciones de proteínas, clasificación de imágenes, análisis de textos y detección de emociones. Los resultados mostraron que la relevancia binaria es la opción más adecuada cuando no existen altos grados de dependencia entre las clases, y que las medidas utilizadas actualmente no son adecuadas para identificar sensibilidades en los algoritmos y que el balance de clases por sobremuestreo en problemas multi-etiqueta afecta de manera negativa el rendimiento de clasificación

Abstract : Traditionally, function identification in proteins has been accomplished by complex and expensive experimental procedures, in conjunction with computacional mechanisms based on sequence-sequence alignments and sequence-profile alignments. Those methods are less effective when proteins present low structural similarity. Recent approaches use machine learning methods over representation spaces of evolutionary, chemical, physical and statistical features, among others. However, traditional machine learning is only intended to problems with mutually exclusive classes. In this thesis, a study on classification problems with multiple labels is developed. Several models are adjusted to capture the correlation among classes, and a set of alternatives to manage class imbalance is also provided. Besides, common performance measures for multilabel problems are analyzed and discussed. All the strategies are experimentally tested over several datasets, comprising different real-world applications such as protein function prediction, natural scene clasification, text analisys and detection of emotions. Results showed that the best strategy is binary relevance when there are not high dependencies among classes. Additionally, the measures currently used are inadequate to identify sensitivities of the algorithms