Análisis de asociaciones en escenarios de datos masivos

Abstract

La cantidad de datos en estudios biológicos se ha incrementado dramáticamente en los últimos años debido a la incorporación de nuevas fuentes y capacidades de procesamiento. Los secuenciadores automáticos del ADN y los microarreglos han permitido obtener grandes volúmenes de información a nivel molecular. Asimismo, los sensores remotos y los Sistemas de Información Geográfica proveen muchos datos a escala ecosistémica. Para estudiar a los organismos en forma integrada es necesario asociar los datos producidos por diferentes tecnologías. En biología de sistemas es esencial integrar información genómica, transcriptómica, proteómica, fenómica y ambiental. Modelar estadísticamente dichas interacciones es dificultoso desde el punto de vista computacional y biológico, sin embargo, los métodos algorítmicos filtran las principales señales de la información, permitiendo estudiar asociaciones, y el posterior modelado estadístico. En este trabajo se presentan distintas técnicas multivariadas que pueden ser usadas para comparar el nivel de covariación de distintos sets de datos entre situaciones o tratamientos y encontrar asociaciones entre ellos. Se describen e ilustran con datos de especies de importancia las técnicas de Análisis de Correlaciones Canónicas, Procrustes, Regresión por Cuadrados Mínimos y mapas Autorganizativos.

The amount of available information in biological studies has increased dramatically in the last years. Technologies as DNA sequencing and microarrays have swamped data bases. Additionally, remote sensing and Geografical Information Systems provide a constant influx of environmental data difficult to handle. Concomitantly, the need to study organisms as a whole and find associations between data sets of different nature has increased. In System Biology, it is essential to analyze genotype, phenotypes, environment and the interactions among them. Statistical models of such complex interactions are difficult for both computational and biological interpretation aspects. On the contrary, algorithmic methods can be used to filter the main signals of genetic data and to study the association between sets of genotypic, phenotypic and environmental data. These methods are more straightforward and provide meaningful insight for later statistical modeling. In this work we present different multivariate techniques that can be used to compare the level of covariation of different data sets between situations or treatments and to find associations. In this work, we propose the use Cannonical Correlation Analysis, Procrustes, Partial Least Squares and Self Organizing Maps for the association of different data types and and illustrate their application in agronomical important species.