TFG Manuel Sanchez Diaz

UNIVERSIDAD POLITÉCNICA DE MADRID
ESCUELA TÉCNICA SUPERIOR DE INGENIERÍA

AGRONÓMICA,ALIMENTARIA Y DE BIOSISTEMAS
GRADO EN BIOTECNOLOGÍA.
DEPARTAMENTO DE MATEMÁTICA APLICADA.
Análisis y caracterización de secuencias de

nucleótidos como series temporales.
TRABAJO FIN DE GRADO
Autor: Manuel Sánchez Díaz
Tutor: Carlos García-Gutiérrez Báez y Fernado San José Martínez.
8 JULIO 2021
UNIVERSIDAD POLITÉCNICA DE MADRID
ESCUELA TECNICA SUPERIOR DE INGENIERIA

AGRONOMICA, ALIMENTARIA Y DE BIOSISTEMAS
GRADO DE BIOTECNOLOGÍA
ANALISIS Y CARACTERIZACIÓN DE
SECUENCIAS DE NUCLEOTIDOS
COMO SERIES TEMPORALES
TRABAJO FIN DE GRADO
Manuel Sánchez Díaz
MADRID, JULIO 2021.
Directores:
Carlos García-Gutiérrez Báez y Fernando San José Martínez
Dpto. de Matemática Aplicada, UPM
II
ANÁLISIS Y CARACTERIZACIÓN DE SECUENCIAS DE NUCLEOTIDOS COMO SERIES
TEMPORALES.
Memoria presentada por Manuel Sánchez Díaz para la obtención del

título de Graduado en Biotecnología por la Universidad Politécnica de
Madrid
Fdo: Manuel Sánchez Díaz
VºBº Tutor
Carlos García-Gutiérrez Báez
Dpto. de Matemática Aplicada
ETSIAAB - Universidad Politécnica de Madrid
VºBº Cotutor
Fernando San José Martínez
Dpto. de Matemática Aplicada
ETSIAAB - Universidad Politécnica de Madrid
Madrid, 8 de julio de 2021
III
Para ti abuelo, todo lo bueno que me pasa es gracias a ti.
Gracias por seguir enseñándome a vivir dı́a a dı́a.
Todo lo importante que hice, hago y haré te lo dedicaré y esto no podı́a ser menos.
Sé que estas muy orgulloso de mi
AGRADECIMIENTOS.
Primero de todo, quiero agradecerle este trabajo al Manu de 17 años. Te escribo 5 años
después, desde tu cama para decirte que ha sido la mejor decisión que podrı́as haber tomado.
Gracias por darte esa nueva oportunidad y mostrarte tal como eres, has conseguido que mucha
gente a tu alrededor con la que puedes ser tú, con la que no tienes que esconder tus rarezas y con
la que eres infinitamente feliz y eso es mejor que cualquier logro vacı́o.
También querı́a agradecer a Carlos y a Fernando, porque si algo admiro de las personas es
su capacidad para enseñar y ellos lo han hecho conmigo de sobra. Es impagable todo el tiempo
que habéis invertido en enseñarme. Gracias por aguantarme este año tan difı́cil. No podrı́a haber
tenido unos tutores mejores. Me he sentido como en casa investigando en el departamento con
vosotros.
Como se ha caracterizado mi vida academica siempre lo he dejado todo para el final ( espero
que esto no lo lea el tribunal ajajajaj), y bueno pues eso que son las 11:34 estoy sin dormir y
tengo que entregarlo ya asique como me ha dicho Carlos voy a intentar poner todo mi corazoón y
agradecer este trabajo a esas personas de las que me acuerde en estos cinco minutos que son las
mas importantes en mi vida. Se aceptan quejas y si alguien quiere que le escriba algo mas bonito
que me lo diga
A mis padres, mi ejemplo a seguir en la vida. No podrı́a valorar todo el sacrificio que habéis
hecho para que yo pueda estudiar. Gracias por todos los valores que me habéis enseñado y que me
hacen ser quien soy hoy en dı́a. Sois unos luchadores, aunque no me vaya de casa todavı́a, espero
haceros sentir bastante orgullosos. Os quiero a los dos muchı́simo.
A mi familia , en especial, a mi abuela por iluminarme los dı́as desde tu sillón hasta cuando
me llamas pesado me haces el hombre mas feliz del mundo, a mi hermana, por aguantarme como
nadie taaaaaantos años, a mi tı́o Nacho, por haberme enseñado lo bonito que es aprender y conocer
en especial a la ciencia , a mi madrina por la conexión tan especial que tenemos y su ayuda
incondicional .
A mi familia de la universidad, gracias por haberme dejado ser yo mismo, han sido los
mejores años de mi vida. A Perez y a Moi, al escudo le quedan muchas aventuras juntos, a Elia tu
hermanito quiere que vayas con él muchı́simas más veces a cualquier otra parte, a Lucı́a, gracias
por esa complicidad nuestra que nos hace tan especial ya me has enseñado siempre muchas cosas
pero ultimamente mas te quiero con locura , a Julian mi más fiel compañero de aventuras en la
ETSIAAB, a Carmen por ayudarme en tantas ocasiones , a Esther por estar ahi desde el principio y
siempre, a Male por ser mi mami y cuidarme tanto, a Alo por sus locuras y nuestras conversaciones
profundas .
A mis amigos del barrio, a homeopatia, por que no hay nada más bonito que tener que oirme
cantar y que aun ası́ sigan queriendo estar conmigo, a Mariam y a Helena, por tantos años que
llevamos juntos, a Susana, por ser la persona mas valiente, luchadora, a la que mas admiro y la
que mas me parece una tia de puta madre.
También le querı́a agradecer a la cerveza por ponerle sabor a estos cinco años de locuras, te
amo con locura. También gracias a Asocis la fiesta en donde más feliz soy, espero que vuelvas mi
niña.
Queda un poco cutre terminar ası́ pero cuento con que esto no lo lea mucha gente, querı́a
agradecer también a Eurovision por ponerle la banda sonora a la redacción de este trabajo durante
tantos dı́as y noches.
Y bueno ya se han acabao los cinco minutos que le puedo dedicar a esto, en resumen, os
quiero a todos los que hayais tenido el honor de leer esto.
v
Índice
1. INTRODUCCIÓN. 1
2. MATERIALES Y MÉTODOS. 3
2.1. Datos de las secuencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.2. Algoritmo de transformación de secuencias genéticas a series temporales . . . . . . 4
2.3. Herramientas matemáticas para el estudio de las series temporales . . . . . . . . . 5
2.3.1. Herramientas clásicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.3.2. Herramientas avanzadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.4. Algoritmo de transformación de series temporales a grafos. Grafo de Visibilidad. . 7
2.5. Propiedades asociadas a los grafos. . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.5.1. Grado de conectividad del grafo. . . . . . . . . . . . . . . . . . . . . . . . . 8
2.5.2. Propiedad del mundo pequeño. . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.6. Análisis de los resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.6.1. Normalidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.6.2. Homocedasticidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.6.3. Comparación de las medias de 2 o más poblaciones . . . . . . . . . . . . . . 10
2.7. Clasificación de los datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.7.1. Aprendizaje automático no supervisado (k-medias). . . . . . . . . . . . . . 11
2.7.2. Aprendizaje automático supervisado (k-Vecinos más próximos). . . . . . . . 11
2.7.3. Aprendizaje profundo. Clasificación mediante redes neuronales. . . . . . . . 12
2.8. Herramientas computacionales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
3. RESULTADOS Y DISCUSIÓN. 14
3.1. Análisis de los parámetros del trabajo en los grupos de estudio. . . . . . . . . . . . 14
3.1.1. Peng-α. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.1.2. Grado de conectividad del grafo o VG. . . . . . . . . . . . . . . . . . . . . . 19
3.1.3. Camino medio más corto entre nodos o MPL. . . . . . . . . . . . . . . . . . 22
3.1.4. Modelos AR, MA, ARMA y ARIMA. . . . . . . . . . . . . . . . . . . . . . 26
3.2. Caracterización de secuencias mediante clustering no supervisado. . . . . . . . . . 27
3.3. Caracterización de secuencias mediante K-Vecinos más próximos. . . . . . . . . . . 29
3.4. Caracterización de secuencias de nucleótidos mediante redes neuronales. . . . . . . 29
4. CONCLUSIONES. 31
5. BIBLIOGRAFÍA. 32
vi
Índice de figuras
1. Histograma de la longitud de las secuencias. . . . . . . . . . . . . . . . . . . . . . . 3
2. Serie temporal transformada a partir de la secuencia de nucleótidos del Adenovirus
tipo 2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
3. Ejemplo del calculo de la fluctuación en la serie temporal de la secuencia de la Figura 2 7
4. Ejemplo gráfico del algoritmo de visibilidad. . . . . . . . . . . . . . . . . . . . . . . 8
5. Ejemplo de estimación del grado de conectividad de un grafo . . . . . . . . . . . . 9
6. Fenómeno del mundo pequeño . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
7. Ejemplo de clasificación bidimensional mediante un K-NN. . . . . . . . . . . . . . . 12
8. Esquema de la Red Neuronal multicapa. . . . . . . . . . . . . . . . . . . . . . . . 13
9. Histograma con los resultados del parámetro Peng-α de las 316 secuencias del trabajo 15
10. Distancia entre el valor Peng-α y el valor de la media en función de la longitud de
la secuencia (pb). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
11. Histogramás del Peng-α en función del contenido de intrones. . . . . . . . . . . . . 16
12. Test Tukey para el parametro Peng-α de los grupos clasificados por su reino. . . . 17
13. Test tukey para el parámetro Peng-α en los grupos clasificados por su localización. 19
14. Histograma con los resultados del parámetro VG de las 316 secuencias del trabajo 20
15. Histograma con los resultados del parámetro MPL de las 191 secuencias del trabajo 22
16. Test Tukey para el parámetro MPL de los grupos clasificados por su reino. . . . . . 24
17. Test Tukey para el parámetro MPL de los grupos clasificados por su localización. . 26
18. Diagrama de cajas de los parámetros clásicos para modelos de series temporales . . 26
19. Diagrama de cajas de los parámetros clásicos de modelos autorregresivos y de medias
móviles para los diferentes grupos de clasificación del trabajo. . . . . . . . . . . . . 27
20. Determinación del número óptimo de k-grupos en el clustering para todos los paráme-
tros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
vii
Índice de cuadros
1. Resumen de los grupos de estudio de cada caracterı́stica. . . . . . . . . . . . . . . . 4
2. Tabla resumen estadı́stico sobre los parámetros del trabajo . . . . . . . . . . . . . 14
3. Resultados del test t de Student que compara las medias del parámetro Peng-α en
la clasificación por contenido de intrones. . . . . . . . . . . . . . . . . . . . . . . . 16
4. Resultados del test ANOVA que compara las medias del parámetro Peng-α en la
clasificación por reino. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
clasificación por tipo de ácido nucleico. . . . . . . . . . . . . . . . . . . . . . . . . 18
6. Resultados del test t de Student que compara las medias del parámetro Peng-α en
los grupos de secuencias codificantes y secuencias estructurales. . . . . . . . . . . 18
clasificación por localización. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
8. Resultados del test t de Student que compara las medias del parámetro VG en la
clasificación por contenido de intrones. . . . . . . . . . . . . . . . . . . . . . . . . 20
9. Resultados del test ANOVA que compara las medias del parámetro VG en la clasi-
ficación por reino. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
ficación por tipo de ácido nucleico. . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
ficación por localización. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
12. Resultados del test t de Student que compara las medias del parámetro MPL en la
clasificación por contenido de intrones. . . . . . . . . . . . . . . . . . . . . . . . . 23
13. Resultados del test ANOVA que compara las medias del parámetro MPL en la
clasificación por reino. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
clasificación por tipo de ácido nucleico. . . . . . . . . . . . . . . . . . . . . . . . . 24
15. Resultados del test t de Student que compara las medias del parámetro MPL en los
grupos de secuencias codificantes y secuencias estructurales. . . . . . . . . . . . . 25
clasificación por localización. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
17. Resultados de clustering mediante K-NN . . . . . . . . . . . . . . . . . . . . . . . . 29
18. Resultados de las diferentes redes neuronales para la clasificación de caracterı́sticas. 29
viii
Lista de abreviaturas
AN: Ácido Nucleico.
AR: (Autoregressive). Autorregresivo.
ARI: (Adjusted Rand Index ). Índice de Rand Ajustado.
ARIMA: (Autoregressive Integrated and Moving Average). Autorregresivo Integrado y de Medias

Móviles.
ARMA: (Autoregressive and Moving Average). Autorregresivo y de Medias Móviles.
ARN: Ácido Ribonucleico.
ADN: Ácido Desoxirribonucleico.
cirARN: ARN circular.
DFA: (Detrended Fluctuation Analysis). Análisis de Fluctuaciones sin Tendencia.
ECDP: European Centre for Disease Prevention and Control.
K-NN: (K- Nearest Neighbors). K-Vecinos más próximos.
log: logaritmo.
MA: (Moving Average). Medias móviles.
mill: millones.
MPL: (Mean Path Length). Distancia media más corta.
mARN: ARN mensajero.
NCBI: National Center for Biotechnology Information.
pb: pares de bases.
NN: (Neural Network ). Red Neuronal.
e.e.m: Error estándar de la media.
VG: (Visibility Graph). Grafo de Visibilidad.
ix
Resumen
The analysis of time series has resulted in being particularly useful in several areas of know-
ledge and related studies (such as economic forecasting, budgetary analysis, yield processing),
for which a significant number of tools have been developed. Because of the advance of se-
quencing techniques, there are databases with millions of sequences of nucleotides with hardly
any characterisation. It exits an algorithm which can convert nucleotide sequences into time
series. The present piece of research frames a study of time series and transformed networks
from nucleotides sequences. We also investigate differents methods, based on machine learning
and deep learning, which could characterize the sequences through several mathematical pa-
rameters.
There are many parameters of time series that we are going to study in this research.
Firstly, we studied the correlation of time series, using the Detrented Fluctuation Analysis
method. Then we parameterize the time series to describe some processes, such as autoregres-
sive processes, processes of moving averages and integrated approaches. Finally, these time
series were transformed into networks in the third place to study and quantify other associa-
ted properties: networks connectivity and the small world effect.
We examined the resulting parameters obtaines from the DNA sequences and also their
applicability as classifiers for several groupings: content in introns; the realm the organism;
the type of Nucleic Acid (DNA or RNA ); functionality ( codifying or structural ), and genetic
compartment where the sequence is located.
Furthermore, we implemented different classification methods based on Machine Learning

and Deep Learning. These two methods will classify according to the parameters of time series
and networks present in this piece of research. First, we grouped the sequences by an unsuper-
vised method, k-means. Then, the sequences were grouped by a monitored method, K-Nearest
Neighbors. Per cent success rates increased between 50 % and 70 % in relation to the previous
process. Finally, an Artificial Neural Network was trained with the before-mentioned para-
meters. This network could successfully characterise up to 95 % of the sequences for certain
features.
Prospects resulting from this study aimed to increase the sequences to enhance the confi-
dence level when classifying. It is also focused on studying other properties of the networks and
time series, such as the fractal properties. Moreover, the number of features to be predicted
with these types of parameters can also be increased.
x
CAPÍTULO 1. INTRODUCCIÓN.
La vida está escrita con palabras de 4 letras. Estas palabras son las secuencias de ADN de
las células y las letras son los nucleótidos que lo forman: adenina (A), tı́mina (T), guanina (G) y
citosina (C). La combinación de estas cuatro letras es un formato único y aparentemente básico,
pero contiene la información para que un amplio rango de fenómenos biológicos ocurran.
La secuenciación de ADN estudia la composición del ADN y la información que contiene
esta composición. Las primeras tecnologı́as de secuenciación fueron desarrolladas por Sanger et
al. [1] en 1977. En los últimos años la llegada de las nuevas tecnologı́as de secuenciación (Next
generation DNA sequencing) ha acelerado y abaratado la capacidad para secuenciar esta molécula
[2]. Este crecimiento ha permitido a que haya bases de datos genéticos como Gene del National
Center for Biotechnology Information (NCBI) [3] que contiene más de 30 mill. de secuencias, de
las cuales muchas se encuentran sin caracterizar. En los próximos años, nuevos dispositivos de
secuenciación aparecerán produciendo un aumento vertiginoso de la información genética de la que
dispondremos, lo que requerirá el desarrollo de nuevos métodos y herramientas capaces de analizar
esta gran cantidad de información [4]. Este es uno de los grandes retos de la bioinformática.
El gran progreso de la biologı́a molecular en los últimos años nos ha permitido entender gran
parte de la estructura y funciones de los genomas. La biologı́a molecular, tradicionalmente, se ha
centrado en el estudio de las partes del genoma conocidas como ’codificantes’ que son las que inter-
vienen en la producción de proteı́nas. Pero esta parte del genoma cubre menos del 10 % del genoma
de muchos eucariotas. La parte restante del genoma, conocida como ’no codificante’, ha sido con-
siderada durante mucho tiempo un estorbo sin ningún significado biológico. El descubrimiento de
ciertas funciones regulatorias en estas partes del genoma han cambiado este punto de vista [5]. Esto
unido a los rápidos avances en la secuenciación de secuencias nucleotı́dicas han llevado a muchos
grupos a llevar a cabo investigaciones sobre la distribución de los cuatro nucleótidos en genomas
completos o grandes fragmentos que contengan estas partes ’no codificantes’, en busca de códigos y
reglas ocultas [6]. Entendemos códigos ocultos como partes del genoma o subsecuencias que tienen
un papel importante en la función del ADN y que no sea la de codificación de proteı́nas. Para el
estudio de las distribuciones y la presencia de códigos ocultos se requieren análisis matemáticos.
Una herramienta matemática ampliamente conocida y utilizada son las series temporales.
Están ampliamente estudiadas y su uso se extiende a múltiples ramas como la economı́a donde se
utiliza por ejemplo para predecir comportamientos a partir de valores pasados [7]. Aparentemente la
idea de serie temporal unida a secuencia de ADN parece inconexa, pero esto cambia con el novedoso
trabajo de Peng et al. [8] donde utiliza herramientas matemáticas para explicar acontecimientos
biológicos. En dicho trabajo presentan un algoritmo para crear una serie temporal a partir de una
secuencia de nucleótidos y estudiar propiedades de estas series temporales. Nosotros utilizaremos
en nuestra investigación herramientas provenientes de este trabajo.
Se describió en este trabajo y en trabajos posteriores [9] que las regiones ’no codificantes’
presentaban correlaciones de largo alcance, mientras que las secuencias ’codificantes’ mantienen
correlaciones de corto alcance, en otras palabras estas regiones se comportaban igual que secuencias
formadas al azar. Este trabajo pretende seguir con esta lı́nea de investigación pero aumentando el
área de análisis: i) el estudio de otros parámetros matemáticos relacionados con las series temporales
y ii) ampliar la investigación de estos parámetros matemáticos en otras caracterı́sticas del ADN.
En este trabajo se van a llevar a cabo varios estudios matemáticos de las series temporales
asociadas a una secuencia de nucleótidos. A parte del cálculo de la correlación, vamos a calcular unos
parámetros que aproximan las series temporales a unos procesos conocidos[7]. También convertimos
nuestras series temporales en grafos gracias a un algoritmo de transformación conocido como Grafo
de Visibilidad [10]. Un grafo esta formado por una serie de nodos o puntos, y conexiones entre esos
nodos, que se denominan vértices. Cuantificaremos las siguientes propiedades del grafo con el fin
de caracterizar las secuencias: grado de conectividad del grafo y propiedad del mundo pequeño
[10].
Por tanto, analizamos la viabilidad de ampliar el uso de otros parámetros, a parte del
presentado en el trabajo de Peng [8], para caracterizar nuestras secuencias de nucleótidos.
Estos nuevos parámetros no solo los vamos a cuantificar en series temporales asociadas a
secuencias de regiones ’codificantes’ o ’no codificantes’, vamos a ampliar el espectro de caracterı́sti-
cas. El porcentaje de regiones ’no codificantes’ ha ido variando con la evolución, tiene sentido que
1
el estudio de estos parámetros en secuencias de organismos mas evolucionados como las eucariotas
sea distinto al de secuencias de organismos más arcaicos como los procariotas. También vamos a
ver la diferencia de estos parámetros en secuencias con funciones estructurales como los ribosomas
o secuencias genómicas.
Otra caracterı́stica que tendremos en cuenta en nuestro trabajo es la localización de la
secuencia de ADN. Según la teorı́a endosimbiótica, orgánulos de las células eucariotas como la mi-
tocondria y el cloroplasto contienen material genético porque provienen de organismos procariotas
antiguos [11].
Es por esto que nos parece interesante el estudio de los parámetros en diferentes localizacio-
nes. Por tanto consideramos los siguientes grupos de clasificación del trabajo: contenido en intrones,
reino al que pertenece la secuencia, tipo de Ácido Nucleico, codificación del Ácido Nucleico y la
localización.
Si estos parámetros realmente pueden describir caracterı́sticas del ADN, al final del trabajo
vamos a buscar la implementación de varios métodos de clustering que puedan caracterizar las
secuencias mediante los parámetros asociados a sus series temporales. Las series temporales podrı́an
ayudar a la caracterización de la abundante información generada mediante la secuenciación.
Los objetivos de este trabajo son :
1. Implementación de algoritmos matemáticos para el análisis de series temporales y grafos.
Validación de los programas mediante la comparación con los resultados de los artı́culos en
los que las herramientas son presentadas [8].
2. Conseguir una base de datos de secuencias suficientemente amplia.
3. Caracterización de secuencias genéticas mediante herramientas matemáticas ya programadas
y estudiadas.
4. Evaluar la posibilidad de usar los diferentes parámetros de la investigación como clasificadores

de secuencias.
5. Implementación de diferentes métodos de clasificación basados en el aprendizaje automático y
aprendizaje profundo. Estos métodos clasificaran en función de los parámetros de series tem-
porales y grafos presentados en el trabajo. Observar la bondad del ajuste entre clasificación
esperada de estos métodos y la clasificación real.
2
CAPÍTULO 2. MATERIALES Y MÉTODOS.
2.1. Datos de las secuencias
Para este trabajo se utilizaron 316 secuencias de nucleótidos, obtenidas de las bases de datos
de Gene [3] y Nucleotide [12] del National Center for Biotechnology Information (NCBI)[13]. Para
su clasificación hemos seguido el criterio utilizado por la propia base de datos.
Estas 316 secuencias son de diferentes organismos, esparcidos a lo largo del espectro fi-
logenético, por ejemplo: Escherichia Coli, Homo Sapiens, Saccharomyces cerevisiae, Arabidopsis
thaliana, Mus musculus, Danio Rerio, etc...
La elección de las secuencias no se pudo realizar de forma aleatoria. Esta búsqueda se
realizó para que todas las caracterı́sticas estuvieran representadas mediante un número mı́nimo de
secuencias. Debido a la baja presencia de algunos grupos en las bases de datos serı́a difı́cil hacer
una buena selección de secuencias de forma aleatoria. Además hay que tener en cuenta que las
secuencias de cualquier base de datos están ya sesgadas por los intereses de secuenciación. Todo
esto hace que nuestro trabajo tenga un limite exploratorio. Para una mayor confianza estadı́stica
serı́a necesario tomar una muestra más amplia.
Las secuencias escogidas para realizar este trabajo presentan una gran varianza en longitud
de secuencia. La más pequeña, que es la secuencia de rARN 5S de Chlorobium phaeobacteroides
contiene 109 pb (pares de bases), la más grande es el genoma completo del fago λ de E.coli contiene
97050 pb; el 75 % tienen una longitud de secuencia entre 109 pb y 11260 pb.
En la Figura 1 podemos ver un histograma con la distribución de las longitudes de las
secuencias.
Figura 1: Histograma de la longitud de las secuencias. Se puede observar que la gran mayorı́a de los datos
se encuentran entre 0 y 10000 pb
Se agruparon estas secuencias en diferentes grupos de clasificación según estaban caracteri-

zadas en la base de datos del NCBI:
Contenido de Intrones.
Los intrones son regiones del ADN que son transcritos a ARN, pero luego son eliminados del
transcrito maduro antes de la traducción [14]. En este trabajo hemos estudiado secuencias
que contenı́an intrones y secuencias que no los contenı́an.
Reino al que pertenece el organismo de la secuencia estudiada.
Según la clasificación de Robert Whittaker [15], una de las más aceptadas, los seres vivos
se dividen en 5 reinos. El reino Animal, reino Vegetal, reino Fungi, reino Protista y el reino
Mónera.
Para la realización de este trabajo hemos estudiado secuencias de los 5 reinos. En el rei-
no Mónera se encuentran tanto Bacterias como Archaeas, pero nuestro trabajo consta solo
de secuencias de Bacterias para el grupo Mónera. Además, aunque generalmente no sean
considerados seres vivos hemos trabajado con secuencias de nucleótidos de Virus.
3
El tipo de Ácido Nucleico.
Hemos clasificado las secuencias según si eran de ADN o si eran de ARN. También las
hemos clasificado según su topologı́a, si eran secuencias lineales o si eran circulares. Los
ARN circulares (cirARNs) son secuencias circulares de ARN que provienen del pre-mARN y
que sufren un splicing alternativo y unen mediante un enlace covalente sus extremos[16]. No
se ha podido analizar un grupo de cirARNs, ya que no se han podido encontrar secuencias
de este tipo en la base de datos de NCBI.
Secuencias codificantes o estructurales.

Algunas secuencias contienen información genética para sintetizar proteı́nas. En este estudio a
esas secuencias, y a los mensajeros que provienen de secuencias de este tipo, se les denominan
codificantes (’protein coding’). El resto de secuencias que no pertenecen a este grupo son
secuencias estructurales, por ejemplo, ARNs ribosómicos.
Localización del Ácido Nucleico.
Hay numerosos compartimentos genéticos donde se pueden localizar los Ácidos Nucleicos
en los diferentes tipos de organismos. En este trabajo las diferentes localizaciones que va-
mos a estudiar son el Citoplasma, el Núcleo, el Cloroplasto, la Mitocondria, la Cápsida y
los Plásmidos. El genoma central de las bacterias (nucleoide) [17] no se encuentran en un
orgánulo membranoso como si ocurre en eucariotas (núcleo). Las secuencias pertenecientes a
los genomas centrales tanto de eucariotas como de procariotas se encuentran agrupados en
el grupo de Núcleo.
En el Cuadro 1 podemos ver los diferentes grupos para cada caracterı́stica, el número de
secuencias que contiene cada grupo y su longitud media.
Caracterı́stica Grupo N longitud media (pb)

Sin 209 5144
Intrones
Con 107 14797
Animal 160 11207
Mónera 37 2402
Fungi 27 3382
Reino
Vegetal 50 4264
Protista 14 1984
Virus 28 7932
ADN lineal 163 9737
Tipo AN ARN lineal 133 5506
ADN circular 20 5728
Codificante 279 8378
Codificación del AN
Estructural 37 2461
Núcleo 121 10724
Plásmido 14 2905
Mitocondria 20 4002
Localización del AN
Cloroplasto 18 2283
Citoplasma 115 6553
Cápsida 28 7932
Cuadro 1: Resumen de los grupos de estudio de cada caracterı́stica.
2.2. Algoritmo de transformación de secuencias genéticas a series tem-

porales
El objeto de estudio de este trabajo son las secuencias de nucleótidos, vamos a estudiarlas,
transformándolas en series temporales.
Una serie temporal es el resultado de observar los valores de una variable a lo largo del
tiempo. Se suelen tratar en intervalos regulares (por ejemplo un dı́a, un año...) para facilitar su
tratamiento, asignando los valores a instantes temporales concretos.
Una serie temporal puede estar formada por la medición de una o varias variables. Sus
valores son irrepetibles debido a su carácter histórico. El estudio de series temporales nos puede
4
ayudar a interpretar eventos ya ocurridos o pronosticar su comportamiento en el futuro.
Para llevar transformar las secuencias de nucleótidos en series temporales vamos a utilizar
un algoritmo de transformación [8].
Estas series se conocen como DNA walks o caminos de ADN y son una forma de representar la
secuencia de forma gráfica. Este camino esta definido por una regla de mapeo binaria. El caminante
de este camino, empieza en 0 y sube un paso hacia arriba si al avanzar un paso por la cadena de
ADN se encuentra con una base pirimidı́nica y un paso hacia abajo si se encuentra con una base
púrica.
Este camino está formado por todos los desplazamientos netos, y(l), de todos los pasos l del
camino. El desplazamiento se calcula con la Fórmula 1.
l
X
y(l) = u(i) (1)
i=1
El desplazamiento neto y(l) se calcula como el sumatorio de todos los pasos u(i) entre i = 0
hasta i = l. Los pasos u(i) tendrán valor +1 si en la posición i de la cadena de ADN se encuentra
una base pirimidı́nica (Tı́mina (T), Citosina (C) o Uracilo (U)) y tendrá un valor −1 si en la
posición i de la cadena de ADN se encuentra una base púrica (Adenina (A) o Guanina (G)).
Podemos ver una representación de los desplazamientos netos, y(l), para todos los pasos l
en la Figura 2. Es la serie temporal transformada a partir de la secuencia de ADN del Adenovirus
tipo 2.
Figura 2: Serie temporal transformada con el algoritmo descrito previamente a partir de la secuencia
completa del Adenovirus tipo 2.
2.3. Herramientas matemáticas para el estudio de las series temporales

2.3.1. Herramientas clásicas
Las series temporales pueden ser estudiadas mediante herramientas clásicas que las aproxi-
maban a diferentes procesos. Estos procesos son útiles para observar la dependencia de los valores
de una serie temporal de su pasado. Hemos analizado 4 tipos de procesos [7]:
1. Proceso autorregresivos, AR(p).
En un proceso AR(p), los sucesivos valores de una serie temporal dependen linealmente de
una cantidad finita de los valores anteriores. Esta cantidad será el parámetro p del proceso.
Un valor del proceso zt es función de los p valores anteriores f (zt−1 , zt−2 , ..., zt−p ), pero tam-
bién depende de las innovaciones at que son la nueva información que se añade al proceso en
cada instante. La innovación at es una variable aleatoria que sigue una distribución normal
de media cero y varianza constante. Por ejemplo la formula que describe un proceso autorre-
gresivo de primer orden, AR(1) serı́a: zt = c+φzt−1 +at donde c y −1 < φ < 1 son constantes
a determinar, at es la innovación y zt−1 es el valor anterior al valor que estamos observando.
5
Los procesos que se describen como autorregresivos tienden a tener una memoria más larga
que otro tipo de procesos de series temporales [7]. Entendiendo memoria larga con que el
valor actual esta relacionado con más valores de su pasado que en otro tipo de procesos de
series temporales, como los de medias móviles, MA(q).
2. Proceso de medias móviles, MA(q).
Este es un proceso que a diferencia de los procesos autorregresivos el valor actual zt ya no
depende del valor anterior o de una cantidad finita de valores anteriores, sino que depende de
una cantidad finita de innovaciones pasadas. Un proceso de primer orden de este estilo dice
que z˜t = at − θ · at−1 donde z˜t = zt − µ, siendo µ la media del proceso; at son las innovaciones
que siguen un proceso de ruido blanco con varianza constante y θ es la dependencia del valor
actual de la serie de la última innovación ocurrida. Este proceso lo podemos generalizar en un
proceso cuyo valor no solo dependa de la última innovación, sino de las q ultimas, obteniendo
un proceso medias móviles de orden q, MA(q). En contraste con los procesos autorregresivos
su memoria es más corta, es decir el valor actual depende de menos observaciones pasadas.
3. Proceso autorregresivo de medias móviles, ARMA(p,q).
Es probable que la serie temporal tenga propiedades de memoria tanto a largo plazo como a
corto plazo, por lo que nos interesa estudiar un modelo que estudie ambos tipos de memoria.
Este es el modelo ARMA(p,q) que mezcla los procesos autorregresivos con los de medias
móviles.
4. Proceso autorregresivo integrado de medias móviles, ARIMA(p,d,q).
Hemos estado asumiendo que todos los procesos anteriores son estacionarios. De hecho la
mayoria de series no son estacionarias, su media va variando a lo largo del tiempo, por eso
tenemos que estudiar estas series con unos procesos conocidos como integrados. El termino
d del modelo ARIMA denota el número de veces que la serie se diferencia de un proceso
estacionario, ARMA(p, q).
A la hora de calcular estos parámetros se han buscado los parámetros que maximizan los
valores de AIC, AICc y BIC del modelo [18]. Estos criterios son diferentes medidores de la calidad
relativa de un modelo estadı́stico para el conjunto de datos que tenemos.
2.3.2. Herramientas avanzadas

Vamos a realizar una medida de la correlación matemática de las series temporales obtenidas
a partir de las secuencias de nucleótidos. Realizaremos el estudio de la fluctuación (F (l)) con
el método Análisis de Fluctuaciones sin Tendencia, DFA, por su expresión en inglés Detrended
Fluctuation Analysis [8].
La fluctuación F para un valor de distancia l se puede calcular como la diferencia entre la
media del valor cuadrado del desplazamiento y el cuadrado del valor medio del desplazamiento
después de l pasos,
2
F 2 (l) = [M y(l)]2 − [M y(l)] (2)
los desplazamientos M y(l) son la diferencia entre dos valores de desplazamiento neto separado por
una distancia l,
M y(l) = y(l0 + l) − y(l0 ) (3)

Las barras en la fórmula 2 nos indica la media para una distancia l fija, moviendo todas las
posiciones de la serie temporal l0 posibles, que se encontraran en el intervalo l0 ∈ [1, N − l]. El
valor de N es la longitud de la secuencia, que será igual al número de valores de la serie temporal.
Podemos aproximar la función F (l) a una función potencial de la siguiente manera,
F (l) ∼ lα (4)
El calculo de α nos puede describir principalmente dos tipos de comportamiento en relación a la

correlación de la serie temporal:
6
El caso de α = 12 , esto nos indica que la secuencia de nucleótidos es completamente aleatoria.
No existe correlación.
El caso de α > 21 , esto nos indica que la secuencia de nucleótidos presenta una correlación
de largo alcance.
Para poder calcular este valor α de cada serie temporal hemos hecho un programa que calcula los
valores de F (l) a partir de los valores de desplazamiento neto y(l) aplicando la fórmula 2.
Ajustamos los valores logarı́tmicos de F (l) y l a una recta de regresión, donde la pendiente
(α) de la recta será el parámetro que estemos buscando. A partir de aquı́ nos referiremos a este
parámetro como Peng-α.
Este parámetro sirve para calcular una medida cuantitativa de la correlación para gran-
des distancias a lo largo de la cadena del ADN, dependiendo cual de los dos comportamientos
previamente descritos presente.
Se ha visto que para tamaños de ventana muy amplios (l > 1000) el error estadı́stico aumenta
y el R2 disminuye [8]. Este efecto lo ponemos ver en la Figura 3. El tamaño máximo de l que vamos
a utilizar en el trabajo es el que nos asegure un ajuste con un valor mı́nimo de R2 = 0,995.
Una vez seleccionado el valor máximo de l, calcularemos nuestro parámetro Peng-α como
podemos observar en la Figura 3b.
(a) Comparación entre el ajuste de la recta, R2 , la pendiente, (b) Recta de regresión entre los datos de fluctuación,
α y el tamaño máximo de ventana, l. F(l) y el tamaño de ventana, l. Estimación de Peng-α.
Figura 3: Ejemplo del calculo de la fluctuación en la serie temporal de la secuencia de la Figura

2.En la Figura 3a vemos el tamaño máximo de ventana que podemos usar para el cálculo de la fluctuación que nos
asegura un ajuste en la Figura 3a con un R2 determinado. La Figura 3b nos muestra el ajuste entre el logaritmo
del tamaño de ventana (log(l)) y el logaritmo de la fluctuación (log(F (l))) con un R2 = 0,995, la pendiente de esta
recta es el parámetro Peng-α.
2.4. Algoritmo de transformación de series temporales a grafos. Grafo

de Visibilidad.
Podemos ver las series temporales con un grafo y estudiar sus propiedades. Para poder
transformar nuestra serie temporal en un grafo, vamos a implementar algoritmo de transformación
conocido como Grafo de Visibilidad, VG, por su expresión en inglés Visibility Graph [10].
Cada valor de la serie temporal asociada a la secuencia de nucleótidos, presentará un nodo
asociado, por lo que, cada grafo tendrá el mismo numero de nodos que número de nucleótidos
tenga la secuencia. Es decir el grafo tendrá N nodos. Todos los grafos de este trabajo van a tener
una serie de propiedades en común: no son direccionados (no hay dirección en las conexiones), los
nodos (li ) al menos van a estar conectados con los nodos inmediatamente anterior (li−1 ) y posterior
7
(li+1 ), excepto si es el primero que solo estará conectado con el segundo; y si es el último que solo
estará conectado con el penúltimo.
El resto de conexiones estarán regidos por el criterio de visibilidad. Dos nodos están conec-
tados si podemos trazar una linea recta entre ellos sin que esta linea sea cortada. Esto lo podemos
ver gráficamente en la Figura 4.
Matemáticamente hablando dos nodos a(la , ya ), b(lb , yb ) cumplen el criterio de visibilidad y
por tanto están conectados, si todos los puntos c(lc , yc ) que se encuentren entre ellos (la < lc < lb )
cumplen la fórmula 5.
lb − lc
yc < yb + (ya − yb ) · (5)
lb − la
Con este criterio obtendremos todas las conexiones entre nodos, que serán bidireccionales.
Si a ve a b, entonces b ve a a. Esta algoritmo mide la visibilidad en función de la geometrı́a de la
serie temporal.
El programa que hemos implementado a partir de los valores de desplazamiento neto de
la serie temporal, crea un grafo con tantos nodos como nucleótidos tenga la secuencia y con las
propiedades previamente descritas. Añade todas las conexiones del grafo, comprobando el criterio
de visibilidad entre todos los puntos a(ta , ya ) y b(tb , yb ) del grafo.
En la Figura 4 podemos ver un ejemplo gráfico de como funciona el algoritmo de visibilidad.
Figura 4: Ejemplo gráfico del algoritmo de visibilidad. Entre el nodo 5.000 y el nodo 20.000 hay numerosos
puntos que impiden su visibilidad directa por lo que esos dos nodos no estarán conectados en el grafo. Esto no
sucede, por ejemplo, entre los nodos 5.000 y 32.500 y entre los nodos 25.000 y 30.000 que sı́ estarán conectados en
el grafo.
2.5. Propiedades asociadas a los grafos.

Hay numerosas propiedades que tienen los grafos. La primera de ellas será la de conectividad
del grafo y la segunda será la propiedad del mundo pequeño [10], que cuantificaremos mediante el
cálculo de la ruta media más corta entre nodos.
2.5.1. Grado de conectividad del grafo.

Cada nodo de nuestro grafo estará conectado a otros nodos, mı́nimo 2, como norma general.
El grado de conectividad del grafo será una medida de su distribución de conexiones, P (k). Para
ver el grado de conectividad de nuestro grafo, vamos a calcular cuántos nodos con n conexiones
tenemos. Cuando n sea pequeño como norma general tendremos muchos nodos, y cuando n vaya
aumentando el número de nodos con ese numero mayor de conexiones ira disminuyendo. Para ver
este efecto de forma numérica nos fijamos en la Figura 5b donde hay muchos nodos con pocas
conexiones (aproximadamente 13 de los nodos tienen entre 2 y 4 conexiones), hay algunos nodos
que presentan mayor número de conexiones (aproximadamente 13 de los nodos tienen entre 5 y 15
conexiones) y hay pocos nodos que presentan un número grande de conexiones (aproximadamente
1
3 de los nodos tienen entre 16 y 875 conexiones). Obtendremos una función que aproximamos a
8
una potencial (Figura 5a ), ası́ pues, como en casos anteriores, representaremos en doble escala
logarı́tmica, donde aproximaremos a una recta (Figura 5b, cuya pendiente será nuestro grado de
conectividad del grafo. Llamamos a este parámetro VG.
El programa que hemos hecho para calcular esto crea una lista con el número de conexiones
y crea otra lista que en la misma posición va guardando cuantos nodos hay con esas conexiones,
mientras recorre el grafo. Una vez ha terminado de recorrer el grafo, en doble escala logarı́tmica
lo ajusta a una recta de regresión. En la Figura 5b vemos un ejemplo del grafo de la secuencia del
gen de BMCC1 de Homo sapiens.
(b) Ajuste de recta de regresión del gráfico de la izquier-

(a) Frecuencia normalizada de nodos con k conexiones. da en escala doble logarı́tmica. Estimación de VG.
Figura 5: Estimación del grado de conectividad del grafo del gen BMCC1 de Homo sapiens. Podemos
ver en la Figura 5a la estimación de VG. Para un ajuste mejor de la recta de regresión no tenemos en cuenta los
puntos que forman lineas horizontales. Estas lı́neas horizontales se forman porque cuando el número de conexiones
k aumenta, solo hay 1,2,3 o 4 nodos que presentan ese número de conexiones.
2.5.2. Propiedad del mundo pequeño.

Otra propiedad que vamos a estudiar de los grafos obtenidos, tiene que ver con el fenómeno
del mundo pequeño [19], esto ocurre cuando dos nodos del grafo no son vecinos entre sı́, y sin
embargo, el número de conexiones que los separa es pequeño. Por ejemplo en la Figura 6 la longitud
media del camino más corto entre nodos es inferior a 5. Esto ocurre, como pudimos observar en el la
Figura 5a, debido a la presencia de algunos nodos con una alta densidad de conexiones que permiten
reducir el numero de interconexiones que separan los nodos más distanciados. Para cuantificar este
fenómeno estudiamos la variación de la longitud media del camino más corto entre todos los nodos
a medida que aumentamos el tamaño de nuestro grafo.
La longitud media mas corta entre nodos, M P L(n) crece proporcionalmente al logaritmo
del número de nodos n en la red. Es decir M P L(n) ∝ log(n).
Se crea un grafo a partir de las conexiones entre nodos. También se seleccionan varios valores
de n para los que se crean subgrafos con el número n de nodos y calcula para cada subgrafo la
longitud media más corta entre nodos, M P L(n).
Ajustamos los datos de log(M P L(n)) y log(n) a una recta de regresión, cuya pendiente será
el parámetro que cuantifica nuestra propiedad del mundo pequeño, a partir de aquı́ este parámetro
será conocido como MPL.
Para encontrar la ruta más corta entre dos nodos hemos utilizado un método conocido como
búsqueda en anchura[20]. Es un método para grafos no direccionados como el nuestro, escogimos
este por ser rápido y eficiente, algo muy importante debido al gran tamaño de nuestros grafos. No
tenı́amos los recursos computacionales suficientes para calcular este parámetro en secuencias con
9
una longitud mayor a 7300 pb. El grupo de secuencias donde se ha podido calcular este parámetro
consta de 209 secuencias que es un 66,14 % del total de secuencias.
En la Figura 6 vemos un ejemplo con el gen de la cromato reductasa de Pseudomonas Putida.
Figura 6: Fenómeno del mundo pequeño. En el gráfico de la izquierda podemos observar que cuando empieza
a aumentar la longitud de la secuencia, el MPL aumenta rápidamente, ya que es muy fácil encontrar nodos muy
separados, pero llega un momento que es muy difı́cil encontrar nodos que estén separados por más de 5 nodos,
aunque el tamaño del grafo haya aumentado considerablemente. En el gráfico de la derecha podemos observar los
valores en doble escala logarı́tmica. El valor de la pendiente de la recta de regresión que obtenemos será nuestro
parámetro MPL
2.6. Análisis de los resultados

Los análisis estadı́sticos se realizaron con el software Python. El principal análisis estadı́stico
realizado en este trabajo ha sido la comparación entre dos o más conjuntos de secuencias.
2.6.1. Normalidad
Los análisis que comparan medias como t-Student y ANOVA necesitan que la distribución
de los datos que se están comparando sigan una distribución Gaussiana. Para evaluar si nuestros
datos seguı́an este tipo de distribución hemos realizado test de normalidad de Shappiro-Wilkins
[21] con un nivel de significación del 0.05.
Cuando algún grupo de secuencias no se distribuı́a significativamente de forma normal,
hemos eliminado las valores atı́picos o ’outliers’ hasta que el nivel de significación de la distribución
subı́a por encima del 0.05.
2.6.2. Homocedasticidad
Los análisis que comparan medias como t-Student y ANOVA asumen que la distribución de
datos presenta homocedasticidad, es decir, que la varianza de los errores es constante a lo largo
de las observaciones. Para evaluar si nuestros datos siguen este tipo de comportamiento hemos
realizado un test de Levene [22] con un nivel de significación del 0.05.
Cuando los resultados de una subpoblación no presentaban homocedasticidad, hemos actua-
do de la misma manera que con la normalidad, hasta que hemos obtenido un nivel de significación
superior al 0.05.
2.6.3. Comparación de las medias de 2 o más poblaciones

Una vez nuestras distribuciones de los resultados de las diferentes poblaciones separadas
por parámetros y caracterı́sticas siguen una distribución normal y presentan homocedasticidad,
pasamos a encontrar diferencias significativas en sus medias.
10
En el caso de que comparemos 2 poblaciones, por ejemplo las poblaciones con y sin intrones,
vamos a utlizar un test t de Student [23], donde la hipótesis nula H0 dice que las medias de los
dos grupos a comparar sean iguales. Utilizamos un nivel de significación del 0.05.
En el caso de que comparemos más de 2 poblaciones, por ejemplo las poblaciones separadas
por reino, primero vamos a realizar un test ANOVA [24], donde la hipótesis nula H0 es que todas
las medias de los grupos son iguales con un nivel de significación del 0,05. En el caso de rechazar
esta hipótesis nula, pasamos a realizar un test Tukey [25] para el análisis Post-Hoc, que compara
todas las medias de los grupos 2 a 2 con el mismo nivel de significación que el test ANOVA.
2.7. Clasificación de los datos

Hemos utilizado diferentes métodos de inteligencia artificial con el fin de poder caracterizar
secuencias a partir de los parámetros del trabajo.
2.7.1. Aprendizaje automático no supervisado (k-medias).

El primero de todos estos métodos de clustering es el k-means o k-medias, es un método
no supervisado. Este tipo de algoritmos busca patrones en los datos de los parámetros sin tener
en cuenta los datos de la caracterización. Lo único que tenemos que especificar al algoritmo es el
número de grupos que queremos dividir nuestros datos.
Este método va a asignar a cada punto un grupo en función de la estructura de los datos y el
número de grupo que le indiquemos. Para poder medir la efectividad de clasificación de este método
vamos a comparar los datos obtenidos con los datos esperados. Para medir cuanto se ajustan estos
grupos a los grupos que nosotros tenı́amos hemos utilizado el estadı́stico Índice de Rand Ajustado
a+b
(ARI) [26], el Índice de Rand mide el porcentaje de acierto de la clasificación. RI = a+b+c+d donde
a es el número de verdaderos positivos en la clasificación y b el número de verdaderos negativos
en la clasificación, por tanto, a + b medida del número de aciertos entre los datos obtenidos y los
datos esperados y donde a + b + c + d es el número de datos posibles, siendo c y d los valores
de falsos negativos y falsos positivos. El Índice de Rand Ajustado (ARI) normaliza numerador y
denominador teniendo en cuenta los valores esperados cuando las dos particiones se hacen al azar.
2.7.2. Aprendizaje automático supervisado (k-Vecinos más próximos).

El segundo método de clustering que vamos a utilizar es un algoritmo supervisado, es decir
que tenemos etiquetados con las caracterı́sticas nuestro conjunto de entrenamiento. El conjunto de
entrenamiento será del 70 % de los datos frente al 30 % del conjunto de validación. Es un algoritmo
muy sencillo de implementar y que funciona muy bien en conjunto de datos pequeños como el de
nuestro trabajo.
Este tipo de algoritmo funciona midiendo la distancia entre los elementos a clasificar y el
resto de elementos del conjunto de entrenamiento. Después selecciona los k elementos más cercanos
(la función de distancia que usamos es la euclidiana). Entre los k elementos más cercanos se decide
la categorı́a del elemento a clasificar en función de la caracterı́stica que defina a la mayorı́a de los
k elementos más cercanos.
En nuestro trabajo hemos usado un k de 11, es esencial elegir un número impar para poder
desempatar ciertos valores. En la Figura 7 vemos un ejemplo utilizando los parámetros MA(q) y
Peng-α para clasificar mediante un K-NN si las secuencias presentan o no intrones.
11
Figura 7: Ejemplo de clasificación bidimensional mediante un K-NN. El eje X contiene el valor del
parámetro Peng-α y el eje Y contiene el valor q del modelo MA. A partir del conjunto de entrenamiento se calcula
el fondo del gráfico mediante la distancia a los K-Vecinos más próximos. En la zona azul hay más K-vecinos más
próximos de secuencias con intrones y en la zona roja hay más K-vecinos más próximos de secuencias sin intrones.
El conjunto de validación está formado por lo puntos cuyo color representa la caracterı́stica real de la secuencia.
En el fondo de la Figura 7 podemos observar que las zonas que han sido entrenadas para ser
secuencias con intrones y secuencias sin intrones según la distancia a los elementos del conjunto de
entrenamiento, los puntos del gráfico son los puntos del conjunto de validación. Para este ejemplo, al
comparar las caracterı́sticas reales de las secuencias y las caracterı́sticas esperadas por el algoritmo
K-NN hemos obtenido un porcentaje de acierto del 81 %.
Este concepto lo podemos ampliar hasta el número de parámetros que queramos, obtendre-
mos un espacio de dimensión n divido en zonas. Cada zona estará clasificada en un determinado
grupo de la clasificación de la caracterı́stica que estemos estudiando. Esto solo lo podemos visuali-
zar cuando haya un espacio de dimensión 3 como máximo. Hemos calculado todos los K-NN para
todas las combinaciones de los 10 parámetros del trabajo, teniendo en cuenta que si utilizamos
MPL el número de secuencias se vera reducido. Para cada K-NN analizaremos el porcentaje de
acierto del K-NN sobre el conjunto de validación.
2.7.3. Aprendizaje profundo. Clasificación mediante redes neuronales.

Una red neuronal son modelos computacionales que están inspirados en las conexiones ce-
rebrales. Las redes neuronales son entrenadas para ser capaces de relacionar ciertos valores de
entrada con unos valores de salida. Se caracterizan porque las relaciones entre los valores de en-
trada y de salida no son lineales [27]. Nuestros valores de entrada van a ser los parámetros de las
series temporales y grafos asociadas a las secuencias de nucleotidos y nuestros valores de salida
serán la caracterı́stica.
Hemos creado 10 neuronas distintas, dos para cada grupo de clasificación. El esquema general
de estas redes neuronales lo podemos ver en la Figura 8.
Le presentamos las caracterı́sticas a nuestra red neuronal en codificación One-hot, o lo que es
lo mismo, tendremos un vector lleno de 0, excepto en la posición asignada al grupo correspondiente
que se encontrará con un valor 1 [28]. Por ejemplo, para el contenido en intrones, el vector (1,0)
significarı́a secuencia sin intrones y (0,1) secuencia con intrones.
Tendremos 2 redes neuronales por cada caracterı́stica, una de estas tendrá nueve entradas
en la primera capa (ya que estaremos analizando nueve parámetros) y la otra tendrá diez entradas
en la primera capa (además de los nueve parámetros anteriores utilizaremos MPL).
Nuestro modelo esta ajustado para que se utilice como optimizador ’Adam’ y la métrica
para evaluar sea la precisión (accuracy). La función de perdida para las caracterı́sticas de conte-
nido de intrones y codificación del Ácido Nucleico es ’binary crossentropy’, ya que solo presentan
dos grupos por caracterı́stica. Para el resto la función de perdida utilizada ha sido la de ’categori-
cal crossentropy’, ya que presentan mayor números de grupos por caracterı́stica.
La capa de salida tendrá tantas neuronas como grupos haya en cada caracterı́stica, por
12
Figura 8: Esquema de la Red Neuronal multicapa. La capa de entrada presenta una función de activación
de tipo relu o rectificadora, la capa oculta tiene una función de activación de tipo relu y la capa de salida tiene
una función de activación sigmoide. Estas funciones de activación han sido escogidas para aumentar el porcentaje
de acierto. La función sigmoide nos asegura en la capa de salida que nuestra salida de red se encontrará entre 0 y 1
y es fácil de mapear a cualquier probabilidad de clase 1.
ejemplo en los reinos serian 6. Cada neurona de esta capa de salida nos calcula la probabilidad
de que los parámetros que hayamos introducido en la primera capa sean del grupo asociado a esa
neurona. El grupo asignado será el que presente mayor probabilidad en su neurona.
Una vez entrenada la red, al introducir los parámetros asociados a una secuencia, la primera
neurona nos da un valor de 0.001 y la segunda de 0.999. Esto quiere decir que la red ha calculado
que hay una probabilidad del 99.9 % de que esos parámetros pertenezcan a una secuencia de AN
con intrones.
Una vez entrenada la red con nuestro conjunto de entrenamiento calculamos el porcentaje
de acierto con nuestro conjunto de validación.
Para elegir los conjuntos de validación y de entrenamiento, hemos utilizado la validación
cruzada, ya que no tenı́amos un número muy elevado de secuencias. Una técnica que otorga robustez
a los resultados cuando no tenemos un elevado número de datos [29]. La validación cruzada consiste
en repetir la creación de la red neuronal para distintos conjuntos de entrenamiento y de validación.
El conjunto de validación será siempre del 10 % pero iremos rotando este porcentaje a lo largo de
todos los datos, primero cogeremos el primer 10 % de los datos, luego los datos entre el 10 % y el
20 %, y ası́ sucesivamente hasta llegar al final. Por tanto obtendremos 10 conjuntos de validación
distintos. La red será entrenada con el 90 % de datos restantes. Tendremos 10 porcentajes de acierto,
el porcentaje de acierto de la red para cada caracterı́stica será la media de estos 10 porcentajes.
2.8. Herramientas computacionales

Las diferentes herramientas descritas previamente han sido programas en ambientes de
Python [30] y RStudio [31].
Para el tratamiento con secuencias en formato FASTA hemos utilizado la librerı́a Bio de
Python [32], para el análisis de los modelos que describen las series temporales hemos utilizado
la función auto.arima de RStudio [33], para el tratamiento y estudio de grafos hemos utilizado la
librerı́a NetworkX de Python [34], para el uso de métodos de clustering de aprendizaje automático
hemos utilizado la librerı́a Sklearn de Python [35], y para la creación y entrenamiento de Redes
Neuronales hemos utilizado las librerı́as Keras y TensorFlow de Python [36].
Para algunos cálculos muy pesados computacionalmente, se han optimizado los programas
implementando estructuras de C en Python [37]. Todos los programas han corrido en un servidor
del Departamento de Matemática Aplicada de la UPM.
13
CAPÍTULO 3. RESULTADOS Y DISCUSIÓN.
Comenzamos el apartado de resultados del trabajo presentando el Cuadro 2 donde hacemos
un resumen estadı́stico de todos los parámetros previamente explicados:
MétodoParámetro N x̄ σ̂ 2 mı́n máx Rˆ2

AR p 0.047 0.147 0 4
MA q 19.158 124.038 2 50
p 0.041 0.084 0 3
ARMA
q 15.601 160.266 0 50 -
316
p 2.206 12.913 0 20
ARIMA d 1.370 0.234 1 2
q 1.313 1.759 0 6
Peng-α 0.551 0.007 0.323 0.796 0.991
VG 312 -1.498 0.044 -2.000 -0.912 0.883
MPL 191 0.173 0.003 0.021 0.329 0.723
Cuadro 2: Tabla resumen estadı́stico sobre los parámetros del trabajo. N representa el número de secuen-
cias para las que hay calculado cada parámetro, x̄ representa la media de cada parámetro, σ̂ 2 representa la varianza
de cada parámetro, mı́n y máx representan lo valores mı́nimos y máximos de cada parámetro, el Rˆ2 representa la
media de los R2 usados para el ajuste de cada recta en el cálculo de los parámetros Peng-α, VG y MPL.
Los programas que ejecutan los algoritmos descritos en las Secciones 2.2, 2.3, 2.4 y 2.5 se
pueden encontrar en el siguiente repositorio de código de GitHub.
Transformamos las 316 secuencias en series temporales mediante el algoritmo descrito en el
Capı́tulo 2.2.
Se valido el correcto funcionamiento de los programas antes de realizar el calculo a todo
el grueso de secuencias. En el caso del parámetro Peng-α, se corroboro que nuestro programa
arrojaba los mismos resultados en las mismas secuencias que se presentaban en ese trabajo [8].
Con respecto al resto de parámetros, los programas que calculaban estos parámetros se validaron
mediante gráficos donde nos asegurábamos del correcto funcionamiento de los mismos.
3.1. Análisis de los parámetros del trabajo en los grupos de estudio.

3.1.1. Peng-α.
Calcularemos el parámetro Peng-α de las series temporales, utilizando el método DFA como
hemos explicado en el Capı́tulo 2.3.2.
Vamos a estudiar los resultados del parámetro Peng-α para las 316 secuencias del trabajo y
su posible utilización como clasificador de diferentes grupos. Para ello realizaremos test de medias
para estudiar si hay diferencias significativas entre las medias de los grupos.
Podemos observar en la Figura 9 un histograma con los resultados del parámetro Peng-α.
14
Figura 9: Histograma con los resultados del parámetro Peng-α de las 316 secuencias del trabajo. Po-
demos ver representada la curva de distribución sobre el histograma en un color más oscura. Los datos se distribuyen
siguiendo una distribución normal (p − valor = 0,052).
La media para todas las secuencias de este parametro es 0.551. Observamos que esta media
no varı́a en función de la longitud de la secuencia; al dividir el conjunto de secuencia en función de
la longitud. No obstante, la varianza sı́ cambia al variar la longitud de secuencia. Como podemos
observar en la Figura 10. A partir de una longitud de secuencia de 10000 pb, señalado con la recta
vertical, la varianza disminuye. por tanto, cuanto mayor sea la longitud de secuencia, especialmente
a partir de este tamaño, más robusta sera la estimación del Peng-α.
Figura 10: Distancia entre el valor Peng-α y el valor de la media en función de la longitud de la
secuencia (pb).
A continuación vamos a presentar los resultados de este parámetro para los diferentes grupos
en los que se ha clasificado el trabajo y si pueden ser utilizados como un clasificador.
Contenido de intrones.
Queremos comprobar si el parámetro Peng- α es capaz de resultar útil para decidir si una
secuencia contiene o no intrones. Para ello, realizamos un test t de Student [Sección 2.6.3] para
verificar si las medias de dicho parámetro son significativamente diferentes. Disponemos de 107
secuencias con intrones y 192 sin ellos. Verificamos las hipótesis de normalidad [Sección 2.6.1] (con
p − valores de 0.061 (con intrones) y de 0,086 (sin intrones)) y la hipótesis de homocedasticidad
[Sección 2.6.2] (p − valor = 0,155) para ambos grupos de secuencias. El análisis estadı́stico de los
resultados para este parámetro se puede ver en el Cuadro 3:
15
Contenido de intrones N x̄ σ̂ 2 p − valor
Sin intrones 192 0.5206 0.0057
2,315 · 10−12
Con intrones 107 0.5813 0.0042
Cuadro 3: Resultados del test t de Student que compara las medias del parámetro Peng-α en la
clasificación por contenido de intrones. N corresponde al número de secuencias de cada grupo, x̄ es la media
de cada uno de estos grupos, σ̂ 2 es la varianza de los datos de cada grupo. También podemos observar el p − valor
que arroja el test de medias t de Student.
El test t de Student arroja un p − valor = 2,315 · 10−12 por lo tanto comprobamos que las
medias son significativamente diferentes para un nivel de confianza de 0,05. Este parámetro puede
funcionar como clasificador para esta caracterı́stica, ya que presenta un nivel de significación muy
bajo comparado con la referencia del 0.05 que utilizamos en el trabajo.
Podemos ver en la Figura 11 representados los histogramas de los grupos con y sin intrones
para este parámetro.
Figura 11: Histogramás de los resultados del parámetro Peng-α en función del contenido en intrones.
La barras verticales más oscuras representan las medias poblaciones de cada grupo. También se encuentran dibujadas
las curvas de distribución sobre los histogramas de cada grupo.
En trabajos previos ya se estudió el valor de este mismo parámetro en grupos de secuen-

cias con intrones y sin intrones [8]. En ese trabajo se concluyó que las medias de este paráme-
tros en ambos grupos eran distintas, para un grupo de 10 secuencias sin intrones la media de
Peng-α ± (2 · e.e.m) = 0,50 ± 0,01 y para un grupo de 14 secuencias con intrones la media de
Peng-α ± (2 · e.e.m) = 0,61 ± 0,03. Nuestros resultados son para un grupo de 192 secuencias sin
intrones la media de Peng-α ± (2 · e.e.m) = 0,52 ± 0,01 y para un grupo de con intrones la media de
Peng-α ± (2 · e.e.m) = 0,58 ± 0,01. Nuestros datos con un mayor número de secuencias para cada
grupo presentan el comportamiento descrito en el trabajo de Peng [8], las secuencias con intrones
presentan correlación de largo alcance (Peng-α > 0,5) mientras que las secuencias sin intrones
presentan correlación de corto alcance (Peng-α = 0,5).
Reino al que pertenece la secuencia de Ácido Nucleico.

Queremos comprobar si el parámetro Peng- α es capaz de resultar útil para decidir el reino
del organismo al que pertenece la secuencia de Ácido Nucleico. Para ello, realizamos un test ANOVA
para verificar si las medias de dicho parámetro son significativamente diferentes. Verificamos las
hipótesis de normalidad (con p − valores de 0.277 (Animal), de 0,076 (Mónera), de 0.189 (Fungi),
de 0.288 (Vegetal), de 0.138 (Protista) y de 0.141 (Virus)) y la hipótesis de homocedasticidad
(p − valor = 0,493) para todos los grupos de secuencias.
El resultado del test ANOVA lo podemos ver en el Cuadro 4
16
Reino N x̄ σ̂ 2 p − valor
Animal 160 0.578603 0.0051
Mónera 36 0.475746 0.0035
Fungi 27 0.524364 0.0061
2,11 · 10−11
Vegetal 50 0.5472 0.0069
Protista 14 0.5051 0.0095
Virus 25 0.5227 0.0051
Cuadro 4: Resultados del test ANOVA que compara las medias del parámetro Peng-α en la clasifica-
ción por reino. N corresponde al número de secuencias de cada grupo, x̄ es la media de cada uno de estos grupos,
σ̂ 2 es la varianza de los datos de cada grupo. También podemos observar el p − valor que arroja el test ANOVA.
El test ANOVA arroja un p−valor = 2,11·10−11 , por lo que asumimos que las medias no son
significativamente iguales. Tras el test ANOVA haber rechazado que las medias eran iguales hemos
hecho un test de Tukey para el análisis post-Hoc para identificar las medias de que subconjuntos
son significativamente iguales. Podemos ver el resultado de este test en la Figura 12.
Figura 12: Test Tukey para el parametro Peng-α de los grupos clasificados por su reino. Podemos ver
los p − valores para cada par de grupos, el color del fondo del cuadrado será más oscuro cuanto mayor sea p − valor.
En este caso las medias diferentes entre pares de grupos (p − valor < 0,05) son: Animal y
Mónera (0.001); Animal y Fungi (0.0099); Animal y Protista (0.0086); Mónera y Vegetal (0.001) y
Mónera y Virus (0.0157). El parámetro sı́ que puede servir para clasificar las secuencias en estos
casos. De los pares de grupos que presentan diferencias significativa en las medias podemos ob-
servar que hay diferencias entre los grupos de eucariotas (Vegetal, Animal, Fungi) y el grupo de
procariotas (Mónera). Realizamos un test de Student para ver si hay diferencias significativas en
las medias de los grupos de secuencias de eucariotas y de procariotas. Se cumplen las hipótesis de
normalidad y homocedasticidad. El test de medias arroja como resultado un p − valor = 2 · 10−13 ,
por tanto este parámetro presenta medias significativamente distintas para los dos grupos y podrı́a
servir para clasificarlos. Esto puede estar relacionado con las diferencias en los porcentajes de re-
giones codificantes y no codificantes entre las secuencias de eucariotas y procariotas [6].
Tipo de Ácido Nucleico.

secuencia es de ARN o ADN, y si esta secuencia es lineal o circular. Para ello, realizamos un
test ANOVA para verificar si las medias de dicho parámetro son significativamente diferentes.
Verificamos las hipótesis de normalidad (con p − valores de 0.965 (ADN lineal), de 0,258 (ADN
circular) y de 0.056 (ARN lineal) y la hipótesis de homocedasticidad (p−valor = 0,118) para todos
los grupos de secuencias.
El resultado del ANOVA y el resumen estadı́stico del parámetro en estos grupos se encuentra
en el Cuadro 5
17
Tipo de AN N x̄ σ̂ 2 p − valor
ADN lineal 163 0.5542 0.0067
ADN circular 20 0.5749 0.0096 0,0395
ARN lineal 118 0.5348 0.0051
Cuadro 5: Resultados del test ANOVA que compara las medias del parámetro Peng-α en la clasi-
ficación por tipo de ácido nucleico. N corresponde al número de secuencias de cada grupo, x̄ es la media de
cada uno de estos grupos, σ̂ 2 es la varianza de los datos de cada grupo. También podemos observar el p − valor que
arroja el test ANOVA.
El test ANOVA resulta con un p − valor = 0,0395 que las medias no son significativamen-
te iguales entre estos grupos, al realizar el análisis post-Hoc, cuando comparamos por pares los
grupos obtenemos que sus medias si son todas significativamente iguales (p − valor > 0,05). Este
parámetro no presenta diferencias en las medias para estos grupos clasificados en función de su
tipo de AN, no sirve como clasificador.
Codificación del Ácido Nucleico.

secuencia es codificante o estructural. Para ello, realizamos un test t de Student para verificar
si las medias de dicho parámetro son significativamente diferentes. Verificamos las hipótesis de
normalidad (con p − valores de 0.134 (Codificante) y de 0,114 (Estructural)) y la hipótesis de
homocedasticidad (p − valor = 0,052) para ambos grupos de secuencias.
Podemos ver el resultado del test t de Student en el Cuadro 6.
Codificación del AN N x̄ σ̂ 2 p − valor

Codificante 256 0.546 0.0049
4,592 · 10−13
Estructural 34 0.4697 0.0027
Cuadro 6: Resultados del test t de Student que compara las medias del parámetro Peng-α en los
grupos de secuencias codificantes y secuencias estructurales. N corresponde al número de secuencias de
cada grupo, x̄ es la media de cada uno de estos grupos, σ̂ 2 es la varianza de los datos de cada grupo. También
podemos observar el p − valor que arroja el test de medias t de Student.
El test resulta con un p − valor muy pequeño en comparación al 0.05 que usamos de lı́mite,
por tanto podemos decir que las medias son significativamente distintas. Este parámetro lo pode-
mos utilizar como clasificador.
Localización del Ácido Nucleico

Queremos comprobar si el parámetro Peng- α es capaz de resultar útil para decidir la lo-
calización del Ácido Nucleico en las células o en capsidas. Para ello, realizamos un test ANOVA
hipótesis de normalidad (con p − valores de 0.336 (Núcleo), de 0,981 (Plásmido), de 0.069 (Mi-
tocondria), de 0.712 (Cloroplasto), de 0.423 (Citoplasma) y de 0.1 (Cápsida)) y la hipótesis de
homocedasticidad (p − valor = 0,1) para todos los grupos de secuencias.
El resumen estadı́stico de este parámetro en los distintos grupos y el resultado del test
ANOVA lo podemos ver en el Cuadro 7.
Localización N x̄ σ̂ 2 p − valor
Núcleo 121 0.5693 0.0051
Plásmido 13 0.4937 0.0024
Mitocondria 14 0.5763 0.0101
0,00054
Cloroplasto 18 0.4826 0.0052
Citoplasma 115 0.5525 0.0072
Cápsida 26 0.5215 0.0049
Cuadro 7: Resultados del test ANOVA que compara las medias del parámetro Peng-α en la clasifi-
cación por localización. N corresponde al número de secuencias de cada grupo, x̄ es la media de cada uno de
estos grupos, σ̂ 2 es la varianza de los datos de cada grupo. También podemos observar el p − valor que arroja el
test ANOVA.
18
Tras resultar el test ANOVA con un p − valor = 0,00054, las medias presentan diferencias
significativas. Este parametro puede utilizarse como clasficador. Despúes del test ANOVA reali-
zamos un analisi post Hoc con un test de Tukey que compara las medias de los grupos 2 a 2, el
resultado de este test lo podemos ver en el Cuadro 13.
Figura 13: Test tukey para el parámetro Peng-α en los grupos clasificados por su localización. Podemos
ver los p−valores para cada par de grupos, el color del fondo del cuadrado será más oscuro cuanto mayor sea p−valor.
Las medias significativamente distintas fueron las siguientes: Citoplasma y Cloroplasto (0.0085);
Cloroplasto y Núcleo (0.0021). Este parámetro nos puede sirve para observar diferencias en las me-
dias de los pares de grupos anteriormente mencionados.
3.1.2. Grado de conectividad del grafo o VG.

Transformamos las series temporales que tenı́amos en grafos, mediante el algoritmo explicado
en el Capı́tulo 2.4.
Calcularemos el parámetro VG, cuantificando el grado de conectividad de los grafos obteni-
dos, como hemos explicado en el Capı́tulo 2.5.1
Vamos a estudiar los resultados del parámetro VG para las 316 secuencias del trabajo y su
posible utilización como clasificador de diferentes grupos. Para ello realizaremos test de medias
Podemos observar en la Figura 14 un histograma con los resultados del parámetro VG.
19
Figura 14: Histograma con los resultados del parámetro VG de las 316 secuencias del trabajo. Podemos
ver representada la curva de distribución sobre el histograma en un color más oscura. Los datos se distribuyen
Queremos saber si el parametro VG puede resultar útil para decidir si una secuencia presenta
intrones o no. Para ello realizaremos un test t de Student para verificar si las medias de los grupos
son significativamente diferentes. Verificamos las hipótesis de normalidad (con p − valores de 0.078
(con intrones) y de 0,160 (sin intrones)) y la hipótesis de homocedasticidad (p − valor = 0,254)
para ambos grupos de secuencias.
El análisis estadı́stico de los resultado para este parámetro se puede ver en el Cuadro 3:

Sin intrones 207 -1.4934 0.0472
0.507
Con intrones 105 -1.477 0.036
Cuadro 8: Resultados del test t de Student que compara las medias del parámetro VG en la clasi-
ficación por contenido de intrones. N corresponde al número de secuencias de cada grupo, x̄ es la media de
arroja el test de medias t de Student.
El nivel de significación es 0.507, muy superior al lı́mite establecido del 0,05. Las diferencias
en las medias de este parámetro en los grupos con intrones y sin intrones no son significativas. El
parámetro no sirve para diferenciar esta caracterı́stica.

Queremos comprobar si el parámetro VG es capaz de resultar útil para decidir el reino del
organismo al que pertenece la secuencia de Ácido Nucleico. Para ello, realizamos un test ANOVA
El resumen estadı́stico de este parámetro en los distintos reinos lo podemos ver en el Cuadro
9.
20
Animal 157 -1.443 0.0339
Mónera 37 -1.549 0.0506
Fungi 27 1.513 0.0497
0,001632
Vegetal 50 1.5464 0.0388
Protista 12 -1.6134 0.0105
Virus 28 -1.4866 0.0768
Cuadro 9: Resultados del test ANOVA que compara las medias del parámetro VG en la clasificación
por reino. N corresponde al número de secuencias de cada grupo, x̄ es la media de cada uno de estos grupos, σ̂ 2
es la varianza de los datos de cada grupo. También podemos observar el p − valor que arroja el test ANOVA.
Tras haber resultado el test ANOVA con un p − valor = 0,001, concluimos que las medias
no son significativamente iguales. Hemos realizado un análisis post-Hoc con un test de Tukey.
Con el resultado de este test podemos decir que todas las medias son significativamente iguales
(p − valor > 0,05), menos entre el reino Vegetal y el reino Animal (0.0243). El parámetro no sirve
para clasificar esta caracterı́stica.

Queremos comprobar si el parámetro VG es capaz de resultar útil para decidir si una secuen-
cia es de ARN o ADN, y si esta secuencia es lineal o circular. Para ello, realizamos un test ANOVA
hipótesis de normalidad (con p − valores de 0.095 (ADN lineal), de 0,558 (ADN circular) y de
0.425 (ARN lineal) y la hipótesis de homocedasticidad (p − valor = 0,05) para todos los grupos de
secuencias.
En el Cuadro 10 presentamos los resultados del test ANOVA, junto a un análisis estadı́stico
del parámetro en los diferentes grupos.
ADN lineal 161 -1.5087 0.0421
ADN circular 15 -1.5481 0.0122 0,1155
ARN lineal 133 -1.466 0.0443
por tipo de ácido nucleico. N corresponde al número de secuencias de cada grupo, x̄ es la media de cada uno
de estos grupos, σ̂ 2 es la varianza de los datos de cada grupo. También podemos observar el p − valor que arroja el
test ANOVA.
El test ANOVA resulta que las medias de los 3 grupos son significativamente iguales. Por
tanto podemos decir que este parámetro tampoco sirve para clasificar las secuencias según su tipo
de ácido nucleico.

Queremos saber si este parámetro puede ser útil para clasificar si una secuencias es estructu-
ral o codificante. Para ello realizamos un test t de Student. Las distribuciones de este parámetro en
las 2 poblaciones sı́ que siguen el criterio de normalidad. Esto no sucede con la homocedasticidad.
No hay homogeneidad en las varianzas. Para que el test de Levene diera un resultado significativo
tendrı́amos que eliminar mas del 70 % de las secuencias codificantes. Las varianza de la población
de codificantes es más del doble que la varianza de la población de secuencias estructurales, 0.042
y 0.0179 respectivamente. Las medias de este parámetro son -1.4992 para secuencias codificantes y
-1.4803 para secuencias estructurales, estas medias no parecen distintas pero no podemos compro-
barlo debido a la imposibilidad de realizar un test estadı́stico. No consideramos que este parámetro
sirva como clasificador.

Queremos comprobar si el parámetro VG es capaz de resultar útil para decidir la localización
del Ácido Nucleico en las células o en capsidas. Para ello, realizamos un test ANOVA para verificar
21
normalidad (con p − valores de 0.052 (Núcleo), de 0,736 (Plásmido), de 0.05 (Mitocondria), de
0.17 (Cloroplasto), de 0.912 (Citoplasma) y de 0.51 (Cápsida)) y la hipótesis de homocedasticidad
Los resultados del test de ANOVA y el resumen estadı́stico lo podemos observar en el Cua-
dro 11.
Núcleo 119 -1.4923 0.0366
Plásmido 14 0.4937 0.0024
Mitocondria 14 -1.5236 0.0749
0,89451
Cloroplasto 19 -1.527 0.039
Cápsida 28 -1.4866 0.0768
Citoplasma 115 -1.4693 0.0434
por localización. N corresponde al número de secuencias de cada grupo, x̄ es la media de cada uno de estos grupos,
El test ANOVA que dice resulta que las medias son significativamente iguales. Por el paráme-
tro no sirve para separar a las secuencias en esta caracterı́stica.
3.1.3. Camino medio más corto entre nodos o MPL.

Este parámetro se calcula cuantificando la propiedad del mundo pequeño como se ha expli-
cado en el Capı́tulo 2.5.2.
Vamos a estudiar los resultados del parámetro MPL. Para este parámetro, debido a la carga
computacional, solo se ha podido calcular en secuencias con una longitud menor a 7300 pb. Tenemos
un total de 191 secuencias en las que hemos podido calcular este parámetro. Vamos a analizar su
posible utilización como clasificador de diferentes grupos. Para ello realizaremos test de medias
Podemos observar en la Figura 15 un histograma con los resultados del parámetro MPL.
Figura 15: Histograma con los resultados del parámetro MPL de las 191 secuencias del trabajo. Pode-
mos ver representada la curva de distribución sobre el histograma en un color más oscura. Los datos se distribuyen
22
Queremos saber si el parametro MPL puede resultar útil para decidir si una secuencia
presenta intrones o no. Para ello realizaremos un test t de Student para verificar si las medias de los
grupos son significativamente diferentes. Verificamos las hipótesis de normalidad (con p−valores de
0.837 (con intrones) y de 0,1 (sin intrones)) y la hipótesis de homocedasticidad (p − valor = 0,893)
para ambos grupos de secuencias.
El resultado del test t de Student y el análisis estadı́stico de los resultados para este paráme-
tro se puede ver en el Cuadro 12:

Sin intrones 142 0.175 0.00235
0.491
Con intrones 44 0.169 0.00243
Cuadro 12: Resultados del test t de Student que compara las medias del parámetro MPL en la
clasificación por contenido de intrones. N corresponde al número de secuencias de cada grupo, x̄ es la media
de cada uno de estos grupos, σ̂ 2 es la varianza de los datos de cada grupo. También podemos observar el p − valor
que arroja el test de medias t de Student.
El test arroja que la diferencia en las medias de este parámetro en los dos grupos no es
significativa. El parámetro no sirve para diferenciar ambos grupos.

Queremos comprobar si el parámetro MPL es capaz de resultar útil para decidir el reino del
organismo al que pertenece la secuencia de Ácido Nucleico. Para ello, realizamos un test ANOVA
Podemos ver el resultado de este test ANOVA y un resumen estadı́stico de los parámetros
en el Cuadro 13.
Animal 70 0.1679 0.0032
Mónera 36 0.1907 0.0048
Fungi 25 0.1904 0.0051
0,00043
Vegetal 43 0.1629 0.0022
Protista 14 0.178 0.0028
Virus 19 0.2357 0.0052
Cuadro 13: Resultados del test ANOVA que compara las medias del parámetro MPL en la clasifica-
ción por reino. N corresponde al número de secuencias de cada grupo, x̄ es la media de cada uno de estos grupos,
Una vez el resultado del test ANOVA nos dice que no todas las medias son iguales, hemos
hecho un analisis post-Hoc con un test de Tukey. Podemos ver el resultado de este test en el Cuadro
16.
23
Figura 16: Test Tukey para el parámetro MPL de los grupos clasificados por su reino. Podemos ver los
p − valores para cada par de grupos, el color del fondo del cuadrado será más oscuro cuanto mayor sea p − valor.
Podemos ver en el Cuadro 16 que los grupos que presentan diferencias significativas en su
medias son : Animal y Virus (0.001); Mónera y Virus (0.024); Fungi y Virus (0.0438); Protista y
Virus (0.0274) y Vegetal y Virus (0.001).
Este parámetro destaca por que la media entre el grupo de secuencias de Virus y el resto de
grupos es significativamente distinto. Si comparamos las medias del grupo de Virus con la media
de un grupo formado por el resto de reinos mediante un t de Student (ambas distribuciones cum-
plen las hipótesis de normalidad y homocedasticidad), obtenemos un nivel de significación del test
del 0.0004 muy inferior comparado con el lı́mite del 0.05. Este parámetro diferencia muy bien las
secuencias de Virus y las del resto de reinos.

Queremos comprobar si el parámetro MPL es capaz de resultar útil para decidir si una
secuencia es de ARN o ADN, y si esta secuencia es lineal o circular. Para ello, realizamos un
test ANOVA para verificar si las medias de dicho parámetro son significativamente diferentes.
Verificamos las hipótesis de normalidad (con p − valores de 0.295 (ADN lineal), de 0,139 (ADN
circular) y de 0.06 (ARN lineal) y la hipótesis de homocedasticidad (p − valor = 0,223) para todos
los grupos de secuencias.
Podemos ver el resultado del test ANOVA y un resumen estadı́stico de los parámetros en el
Cuadro 14.
ADN lineal 99 0.1857 0.0037
ADN circular 16 0.1404 0.0032 0,0049
ARN lineal 83 0.1673 0.0026
Cuadro 14: Resultados del test ANOVA que compara las medias del parámetro MPL en la clasifi-
cación por tipo de ácido nucleico. N corresponde al número de secuencias de cada grupo, x̄ es la media de
arroja el test ANOVA.
Una vez resultado el test ANOVA con un p − valor < 0,05 lo que significa que las medias
no son significativamente iguales, el análisis post-Hoc con el test de Tukey da como resultado
que los grupos que no son significativamente iguales son el ADN circular y el ADN lineal con un
p − valor = 0,0097. Es el parámetro que mas diferencias en las medias presenta para los grupos de
secuencias separadas por el tipo de AN.
24
Queremos comprobar si el parámetro MPL es capaz de resultar útil para decidir si una
secuencia es codificante o estructural. Para ello, realizamos un test t de Student para verificar
normalidad (con p − valores de 0.06 (Codificante) y de 0,09 (Estructural)) y la hipótesis de homo-
cedasticidad (p − valor = 0,08) para ambos grupos de secuencias.
El resultado del t de Student y el análisis estadı́stico del parámetro lo podemos ver en el
Cuadro 15.

Sin intrones 158 0.177 0.0028
0.3935
Con intrones 33 0.1706 0.0017
Cuadro 15: Resultados del test t de Student que compara las medias del parámetro MPL en los
grupos de secuencias codificantes y secuencias estructurales. N corresponde al número de secuencias de
cada grupo, x̄ es la media de cada uno de estos grupos, σ̂ 2 es la varianza de los datos de cada grupo. También
podemos observar el p − valor que arroja el test de medias t de Student.
El test resulta con un p − valor = 0,394, lo que nos dice que las medias no son significati-
vamente iguales, no podemos utilizar este parámetro como clasificador.

Queremos comprobar si el parámetro MPL es capaz de resultar útil para decidir la loca-
lización del Ácido Nucleico en las células o en cápsidas. Para ello, realizamos un test ANOVA
hipótesis de normalidad (con p − valores de 0.073 (Núcleo), de 0,231 (Plásmido), de 0.202 (Mi-
tocondria), de 0.196 (Cloroplasto), de 0.147 (Citoplasma) y de 0.18 (Cápsida)) y la hipótesis de
homocedasticidad (p − valor = 0,073) para todos los grupos de secuencias.
Podemos ver el resultado de este test ANOVA y un resumen estadı́stico de los parámetros
en el Cuadro 16.
Núcleo 67 0.1783 0.0022
Plásmido 12 0.2014 0.0067
Mitocondria 16 0.1964 0.0024
0,00027
Cloroplasto 18 0.169 0.0046
Cápsida 18 0.2268 0.004
Citoplasma 71 0.1597 0.0029
Cuadro 16: Resultados del test ANOVA que compara las medias del parámetro MPL en la clasifi-
cación por localización. N corresponde al número de secuencias de cada grupo, x̄ es la media de cada uno de
estos grupos, σ̂ 2 es la varianza de los datos de cada grupo. También podemos observar el p − valor que arroja el
test ANOVA.
Tras haber resultado el test ANOVA con p − valor = 0,00027, las medias de los grupos
no son significativamente iguales. Realizamos un test de Tukey para comparar las medias de los
grupos por pares. Podemos ver el resultado de este test en la Figura 17
25
Figura 17: Test Tukey para el parámetro MPL de los grupos clasificados por su localización. Podemos
ver los p − valores para cada par de grupos, el color del fondo del cuadrado será más oscuro cuanto mayor sea
p − valor.
Las medias de los grupos que son significativamente distintas (p−valor < 0,05) son: Cápsida
y Cloroplasto (0.001); Cápsida y Mitocondria (0.001); Cápsida y Núcleo (0.0142); Citoplasma y
Mitocondria (0.001); Citoplasma y Mitocondria (0.001); Cloroplasto y Núcleo (0.001); Cloroplasto
y Plásmido (0.001); Mitocondria y Núcleo (0.001); Mitocondria y Plásmido (0.001).
La mayorı́a de las medias de los diferentes grupos son significativamente diferentes. El
parámetro, por tanto, sirve para diferenciar las secuencias por su localización.
3.1.4. Modelos AR, MA, ARMA y ARIMA.

Se estudiaron los diferentes parámetros que aproximaban las series temporales a los procesos
explicados en el Capı́tulo 2.3.1.
Vamos a estudiar los resultados de los parámetros de modelos autorregresivos y medias
móviles de las 316 secuencias mediante un diagrama de cajas, que podemos ver en la Figura 18.
Figura 18: Diagrama de cajas de los parámetros clásicos para modelos de series temporales de todas
las secuencias del trabajo. En este diagrama de cajas podemos ver las distribuciones de los diferentes resultados.
Las cajas que aparecen coloreadas están delimitadas por el valor del primer cuartil y del tercer cuartil. La lı́nea
horizontal que se encuentra dentro de la caja corresponde al valor de la mediana.
Estos parámetros toman valores enteros por tanto no podemos realizar el análisis de las me-
dias que hemos venido haciendo con el resto de parámetros. Pero de la Figura 18 podemos destacar,
que las series temporales asociadas a las secuencias de nucleótidos destacan por su comportamien-
to de medias móviles (representado por los valores q de MA, ARMA) frente al comportamiento
26
autorregresivo (representado por los valores p de AR, ARMA). No presentan comportamientos au-
torregresivos, por tanto un valor de la secuencia no influye en el valor del siguiente. En los procesos
integrados (ARIMA) los valores p, dyq parecen tener un comportamiento parecido, casi nulo. Las
series temporales no parecen presentar un proceso integrado.
Los diferentes grupos de clasificación no parecen presentar diferencias en las medias de estos
parámetros. Aparentemente todos los grupos mantienen este comportamiento de medias móviles.
Todo esto lo podemos observar en la Figura 19.
(a) Contenido en intrones (b) Reino
(c) Tipo Ácido Nucleico (d) Codificación del Ácido Nucleico
(e) Localización del Ácido Nucleico
Figura 19: Diagrama de cajas de los parámetros clásicos de modelos autorregresivos y de medias
móviles para los diferentes grupos de clasificación del trabajo. En este diagrama de cajas podemos ver
las distribuciones de los diferentes resultados. Las cajas que aparecen coloreadas están delimitadas por el valor del
primer cuartil y del tercer cuartil. La lı́nea horizontal que se encuentra dentro de la caja corresponde al valor de la
mediana.
3.2. Caracterización de secuencias mediante clustering no supervisado.

El metodo no supervisado que vamos a utilizar para la clasificación es el k-medias, que se
encuentra explicado en la Sección 2.7.1.
El primer problema es encontrar el número óptimo de grupos.
Para obtener el número óptimo de grupos para nuestros datos, hemos representado el número
de clusters posibles frente a una puntuación de bondad de ajuste, que es el inverso del BIC (Bayesian
Information Criterion) [18].
27
El número óptimo de clusters es el mı́nimo en el que esta puntuación se ha estabilizado, la
estimación de este punto es arbitraria.
En la Figura 20 podemos observar el ajuste de este criterio BIC para el clustering con todos
los parámetros del trabajo. Al variar el conjunto de parámetros con los que hacemos el clustering
no supervisado, el numero de clusters óptimos también varia.
Figura 20: Determinación del número de k-grupos en el clustering para todos los parámetros. Podemos
ver como a partir de dos k-grupos la puntuación sube considerablemente, luego hasta 6 k-grupos sigue subiendo
considerablemente. Después de 6 se mantiene casi estable por eso hemos determinado que el número óptimo de
k-grupos está entre 2 y 6.
Hemos realizado este método de clustering para todas las 1022 combinaciones sin repetición
de todos los parámetros del trabajo. Para todas las combinaciones de parámetros hemos estimado
que el número óptimo de clusters se encuentra entre 2 y 6.
Hay que destacar que cuando querı́amos introducir el parámetro MPL tenı́amos que reducir
el número de entradas a 209, por lo comentado en la Sección 2.5.2.
Evaluamos si el clustering que hace cada combinación de parámetros y su número óptimo
de clusters, coincide con los grupos de caracterı́sticas que tenemos, para ello hemos calculado el
ARI 2.7.1.
Por ejemplo, cuando hemos utilizado todos los parámetros obtenı́amos 6 como número ópti-
mo de clusters. Comparamos estos 6 grupos con las caracterı́sticas que tenemos que presentan 6
grupos, en el caso de nuestro trabajo la clasificación por localización y por reino. Para la bondad
de ajuste entre los 6 grupos no supervisados y los 6 grupos de ambas caracterı́sticas calculamos el
ARI.
El número de clusters utilizado en cada caso ha sido el número de clases de cada carac-
terı́stica, por ejemplo en el caso del Reino el número de clases ha sido 6.
Habiendo realizado el k-medias con cada una de las 1022 combinaciones sin repetición de
todos los parámetros, y calculado el ARI resultante de compararlo con la distribución esperada
para cada una de las caracterı́sticas, el mayor ARI que obtenemos es 0.13. Únicamente se han ob-
tenido 4 combinaciones de parámetros con ARI > 0,1. Es notable resaltar que estas combinaciones
de parámetros tenı́an en común al parámetro q de ARIMA. Esto puede ser una señal que este
parametro es un buen clasificador. Estas combinaciones presentaban k = 2 como número óptimo
de clusters y la caracterı́stica que se comparaba para el calculo de ARI era el contenido en intrones.
El resto de conjuntos de parámetros, no clasificaban ninguna caracterı́stica con una puntua-
ción ARI > 0,04. Estos valores ARI cercanos a 0 nos indican que el clustering no supervisado no
presenta relación con los valores de las caracterı́sticas esperadas.
El método de clustering no supervisado k-medias no parece un método adecuado para ca-
racterizar las secuencias de nucleótidos a partir del uso de parámetros de series temporales y de
grafos.
28
3.3. Caracterización de secuencias mediante K-Vecinos más próximos.
Al igual que en el caso del clustering no supervisado, hemos realizado este método de cluste-
ring para todas las combinaciones de parámetros (exceptuando el MPL) y todas las caracterı́sticas.
En el Cuadro 17 podemos ver los resultados obtenidos de esta forma.
Caracterı́stica Porcentaje de acierto (en %) Mejor combinación de parámetros para K-NN

Contenido en intrones 73.4 q MA, q ARIMA, d ARIMA
Reino 50.7 Peng-α, q MA, q ARMA
Tipo AN 59.5 p AR, d ARIMA, q ARIMA
Codificación del AN 91.1 Peng-α, VG, q MA, p ARIMA, q ARIMA
Localización del AN 48.1 Peng-α, VG, q ARMA, p ARIMA, q ARIMA
Cuadro 17: Resultados de clustering mediante K-NN. En la columna de la derecha podemos observar la
combinación de parámetros que han obtenido el porcentaje de acierto máximo.
Podemos observar en el Cuadro 17 destaca la presencia en todas las caracterı́sticas de al

menos un parámetro de medias móviles (q). Destaca en concreto el del modelo ARIMA ya que se
encuentra en 4 de 5 caracterı́sticas. Es un buen clasificador para este método, al igual que pasaba
con el método de k-medias no supervisado. Por regla general los métodos de clustering k-medias y
K-NN son más precisas cuando utilizan parámetros clásicos, en vez de avanzados.
Hemos repetido estos resultados pero introduciendo las combinaciones con el parámetro
MPL y reduciendo el número de secuencias. En el caso del contenido de intrones, el tipo de AN
y la codificación del AN al introducir este parámetro el porcentaje de acierto aumentaba entre un
4-10 % pero en ninguna de las mejores combinaciones aparecı́a MPL, por tanto este aumento se
debe a la disminución en el numero de secuencias. En el caso de las caracterı́sticas restantes el
porcentaje no aumentaba al introducir el nuevo parámetro. Por tanto podemos decir que a la hora
de clasificar nuestras secuencias mediante este método, el parámetro MPL no mejora el resultado.
Se puede observar una mejorı́a considerable en la clasificación de todas las caracterı́sticas al
utilizar un algoritmo supervisado respecto al algoritmo no supervisado.
3.4. Caracterización de secuencias de nucleótidos mediante redes neu-

ronales.
Hemos utilizado las redes neuronales (NN) presentadas en la Sección 2.7.3.
Los porcentajes de acierto de las diferentes redes neuronales podemos observarlos en el
Cuadro 18.
Caracterı́stica NN(316) sin MPL NN(209) con MPL NN(209) sin MPL
Contenido en intrones 92.21 91.48 90.52
Reino 79.84 68.79 67.46
Tipo de AN 78.86 72.63 72.22
Codificación del AN 95.74 90.18 80.534
Localización del AN 77.11 72.15 70.19
Cuadro 18: Resultados de las diferentes redes neuronales para la clasificación de caracterı́sticas. Los
resultados están todos expresados en %. Entre paréntesis se encuentran el número de secuencias utilizadas para la
Red Neuronal.
Los porcentajes de acierto de la red neuronal están todos por encima del 70 %. El uso de
redes neuronales aumenta el porcentaje de acierto respecto al K-NN en todas las caracterı́sticas.
La primera columna representa los resultados de la red neuronal construida con todas las
secuencias y con 9 parámetros. No podemos introducir el décimo parámetro (MPL de nuestro
trabajo ya que no solo se encuentra calculado en alguna de las 316 secuencias.
Para poder meter el parámetro MPL, tenemos que reducir el numero de secuencias a 209,
todos los valores de porcentaje de acierto bajan entre 1-9 %.
29
Este descenso es provocado por la reducción del numero de secuencias principalmente ya que
la tasa de acierto en la red neuronal con las 209 secuencias y sin el parámetro MPL no varı́a con
respecto a cuando utilizamos el parámetro. Exceptuando el caso de la codificación del AN donde
sı́ observamos una gran diferencia (en torno a 10 %) a la hora de clasificar.
30
CAPÍTULO 4. CONCLUSIONES.
1. El estudio de las series temporales asociadas a las secuencias de nucleótidos son herramientas
útiles para el estudio de las secuencias de ácidos nucleicos.
2. Se valida el resultado del artı́culo que inspira principalmente este trabajo [8], que dice que las
secuencias con intrones presentan correlación de largo alcance (Peng-α > 0.5) y las secuencias
sin intrones no presentan correlación (Peng-α = 0.5).
3. El parámetro Peng-α es el parámetro que presenta mayor diferencias significativas entre las
medias a la hora de comparar las secuencias con y sin intrones. Este parámetro también es
el que presenta mayor diferencias significativas entre las medias a la hora de comparar las
secuencias codificantes y estructurales.
4. En la clasificación de secuencias por reinos, el parámetro Peng-α separa bien las secuencias
de reinos eucariotas y las secuencias del reino procariota. La distribución del parámetro MPL
en Virus presenta diferencias significativas en la media comparadas con las medias de MPL
en secuencias de todos el resto de los reinos.
5. En la clasificación de secuencias por tipo de ácido nucleico, no hay ninguno de los parámetros
estudiados presenta medias significativas entre los grupos, a pesar de que el test ANOVA
resulta estadı́sticamente significativo. El parámetro que mejor clasifica para este grupo es el
MPL.
6. Para clasificar las secuencias por su localización en la célula, el parámetro que presenta
diferencias más significativas en las medias es MPL.
7. Las series temporales asociadas a secuencias de nucleótidos presentan un comportamiento

más parecido a procesos de medias móviles que procesos autorregresivos.
8. El método de clustering no supervisado k-medias no es un buen algoritmo de agrupamiento
para separar las secuencias en ninguna de las caracterı́sticas estudiadas en este trabajo.
9. El método de clustering supervisado k-Vecinos más próximos mejora los resultados de agru-
pamiento respecto al k-medias. Destacan en las combinaciones de parámetros que mejor clasi-
fican las caracterı́sticas con este método, los parámetros clásicos, especialmente el parámetro
q de ARIMA.
10. Las redes neuronales son el mejor método de predicción de caracterı́sticas a partir de los
parámetros derivados de la serie temporal asociadas a secuencias de nucleótidos. Separa de
forma correcta más del 90 % entre secuencias con y sin intrones y entre secuencias codifi-
cantes y estructurales. La red neuronal separa de forma correcta más del 75 % del resto de
caracterı́sticas.
11. Destacarı́a que todo el proceso del trabajo nos ha permitido avanzar hacia una herramienta
basada en el calculo de diferentes herramientas matemáticas y el uso de algoritmos de cla-
sificación de aprendizaje profunda. Una secuencia de nucleótidos puede ser caracterizada en
los diferentes grupos de clasificación del trabajo con esta herramienta.
31
CAPÍTULO 5. BIBLIOGRAFÍA.
Referencias
[1] Frederick Sanger, Steven Nicklen, and Alan R Coulson. Dna sequencing with chain-terminating inhibitors. Proceedings of the national academy
of sciences, 74(12):5463–5467, 1977.
[2] Jay Shendure and Hanlee Ji. Next-generation dna sequencing. Nature biotechnology, 26(10):1135–1145, 2008.
[3] National Center for Biotechnology Information Bethesda (MD): National Library of Medicine (US). Gene [internet], 2004. Disponible en
Internet: https://www.ncbi.nlm.nih.gov/gene/, consultado por última vez el 18/06/2021.
[4] Mehdi Kchouk, Jean-Francois Gibrat, and Mourad Elloumi. Generations of sequencing technologies: from first to next generation. Biology
and Medicine, 9(3), 2017.
[5] Graham Ritchie, Ian Dunham, Eleftheria Zeggini, and Paul Flicek. Functional annotation of noncoding sequence variants. Nature methods,
11(3):294–296, 2014.
[6] Marcello Buiatti, C Acquisti, G Mersi, and P Bogani. The biological meanings of dna correlations. In Fractals in Biology and Medicine, pages
235–245. Springer, 2002.
[7] Daniel Peña. Análisis de series temporales, Alianza Editorial, Madrid. 2005.
[8] Chung-Kang Peng, Sergej V Buldyrev, Ary L Goldberger, Shlomo Havlin, Francesco Sciortino, Michael Simons, and H Eugene Stanley.
Long-range correlations in nucleotide sequences. Nature, 356(6365):168–170, 1992.
[9] Nidhal Bouaynaya and Dan Schonfeld. Nonstationary analysis of coding and noncoding regions in nucleotide sequences. IEEE Journal of
Selected Topics in Signal Processing, 2(3):357–364, 2008.
[10] Lucas Lacasa, Bartolo Luque, Fernando Ballesteros, Jordi Luque, and Juan Carlos Nuno. From time series to complex networks: The
visibility graph. Proceedings of the National Academy of Sciences, 105(13):4972–4975, 2008.
[11] Lynn Sagan. On the origin of mitosing cells. Journal of Theoretical Biology, 14(3):225–IN6, 1967.
[12] National Center for Biotechnology Information Bethesda (MD): National Library of Medicine (US). Nucleotide [internet], 1988. Disponible
en Internet: https://www.ncbi.nlm.nih.gov/nuccore/, consultado por última vez el 18/06/2021.
[13] National Center for Biotechnology Information Bethesda (MD): National Library of Medicine (US). National center for biotechnology
information (ncbi)[internet], 1988. Disponible en Internet: https://www.ncbi.nlm.nih.gov/, consultado por última vez el 23/06/2021.
[14] Walter Gilbert. Why genes in pieces? Nature, 271(5645):501–501, 1978.
[15] Robert H Whittaker. New concepts of kingdoms of organisms. Science, 163(3863):150–160, 1969.
[16] Yaqin Cai, Xiaocan Lei, Zhuo Chen, and Zhongcheng Mo. The roles of cirrna in the development of germ cells. Acta Histochemica,
122(3):151506, 2020.
[17] Subhash C Verma, Zhong Qian, and Sankar L Adhya. Architecture of the escherichia coli nucleoid. PLoS Genetics, 15(12):e1008456, 2019.
[18] Kenneth P Burnham and David R Anderson. Multimodel inference: understanding aic and bic in model selection. Sociological methods &
research, 33(2):261–304, 2004.
[19] Duncan J Watts and Steven H Strogatz. Collective dynamics of ‘small-world’networks. Nature, 393(6684):440–442, 1998.
[20] Scott Beamer, Krste Asanovic, and David Patterson. Direction-optimizing breadth-first search. In SC’12: Proceedings of the International
Conference on High Performance Computing, Networking, Storage and Analysis, pages 1–10. IEEE, 2012.
[21] Asghar Ghasemi and Saleh Zahediasl. Normality tests for statistical analysis: a guide for non-statisticians. International Journal of Endocri-
nology and Metabolism, 10(2):486, 2012.
[22] Howard Levene. Robust tests for equality of variances. in ‘contributions to probability and statistics: essays in honor of harold hote-
lling’.(eds i olkin, sg ghurye, w hoeffding, wg madow, hb mann) pp. 278–292, 1960.
[23] Tae Kyun Kim. T test as a parametric statistic. Korean Journal of Anesthesiology, 68(6):540, 2015.
[24] Manuel Terrádez and Angel A Juan. Análisis de la varianza (anova). Catalunya: Universidad Oberta de Catalunya, 2003.
[25] Maksim A Terpilowski. scikit-posthocs: pairwise multiple comparison tests in python. Journal of Open Source Software, 4(36):1169, 2019.
[26] Douglas Steinley. Properties of the hubert-arable adjusted rand index. Psychological methods, 9(3):386, 2004.
[27] Jure Zupan. Introduction to artificial neural network (ann) methods: what they are and how to use them. Acta Chimica Slovenica, 41:327–327,
1994.
[28] Allen Chieng Hoon Choong and Nung Kion Lee. Evaluation of convolutionary neural networks modeling of dna sequences using ordinal
versus one-hot encoding method. In 2017 International Conference on Computer and Drone Applications (IConDA), pages 60–65. IEEE, 2017.
[29] Christoph Bergmeir and José M Benı́tez. On the use of cross-validation for time series predictor evaluation. Information Sciences, 191:192–
213, 2012.
[30] Guido Van Rossum and Fred L. Drake. Python 3 Reference Manual. CreateSpace, Scotts Valley, CA, 2009.
[31] R Core Team. R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing, Vienna, Austria, 2018.
[32] Peter JA Cock, Tiago Antao, Jeffrey T Chang, Brad A Chapman, Cymon J Cox, Andrew Dalke, Iddo Friedberg, Thomas Hamelryck,
Frank Kauff, Bartek Wilczynski, et al. Biopython: freely available python tools for computational molecular biology and bioinformatics.
Bioinformatics, 25(11):1422–1423, 2009.
[33] Rob J Hyndman, Yeasmin Khandakar, et al. Automatic time series forecasting: the forecast package for r. Journal of Statistical Software,
27(3):1–22, 2008.
[34] Aric Hagberg, Pieter Swart, and Daniel S Chult. Exploring network structure, dynamics, and function using networkx. Technical report,
Los Alamos National Lab.(LANL), Los Alamos, NM (United States), 2008.
[35] Fabian Pedregosa, Gaël Varoquaux, Alexandre Gramfort, Vincent Michel, Bertrand Thirion, Olivier Grisel, Mathieu Blondel, Peter Pret-
tenhofer, Ron Weiss, Vincent Dubourg, et al. Scikit-learn: Machine learning in python. the Journal of Machine Learning Research, 12:2825–2830,
2011.
[36] Antonio Gulli and Sujit Pal. Deep learning with Keras. Packt Publishing Ltd, 2017.
[37] Stefan Behnel, Robert Bradshaw, Craig Citro, Lisandro Dalcin, Dag Sverre Seljebotn, and Kurt Smith. Cython: The best of both worlds.
Computing in Science & Engineering, 13(2):31–39, 2010.
32

TFG Manuel Sanchez Diaz

Cargado por

Copyright:

Formatos disponibles

TFG Manuel Sanchez Diaz

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

TFG Manuel Sanchez Diaz

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD POLITÉCNICA DE MADRID

ESCUELA TÉCNICA SUPERIOR DE INGENIERÍA

DEPARTAMENTO DE MATEMÁTICA APLICADA.

Análisis y caracterización de secuencias de

TRABAJO FIN DE GRADO

Autor: Manuel Sánchez Díaz

Tutor: Carlos García-Gutiérrez Báez y Fernado San José Martínez.

ESCUELA TECNICA SUPERIOR DE INGENIERIA

TRABAJO FIN DE GRADO

Manuel Sánchez Díaz

MADRID, JULIO 2021.

Carlos García-Gutiérrez Báez y Fernando San José Martínez

Dpto. de Matemática Aplicada, UPM

Memoria presentada por Manuel Sánchez Díaz para la obtención del

Fdo: Manuel Sánchez Díaz

Madrid, 8 de julio de 2021

AR: (Autoregressive). Autorregresivo.

ARI: (Adjusted Rand Index ). Índice de Rand Ajustado.

ARIMA: (Autoregressive Integrated and Moving Average). Autorregresivo Integrado y de Medias

ARMA: (Autoregressive and Moving Average). Autorregresivo y de Medias Móviles.

ARN: Ácido Ribonucleico.

ADN: Ácido Desoxirribonucleico.

cirARN: ARN circular.

DFA: (Detrended Fluctuation Analysis). Análisis de Fluctuaciones sin Tendencia.

ECDP: European Centre for Disease Prevention and Control.

K-NN: (K- Nearest Neighbors). K-Vecinos más próximos.

MA: (Moving Average). Medias móviles.

MPL: (Mean Path Length). Distancia media más corta.

mARN: ARN mensajero.

NCBI: National Center for Biotechnology Information.

pb: pares de bases.

NN: (Neural Network ). Red Neuronal.

e.e.m: Error estándar de la media.

VG: (Visibility Graph). Grafo de Visibilidad.

Furthermore, we implemented different classification methods based on Machine Learning

4. Evaluar la posibilidad de usar los diferentes parámetros de la investigación como clasificadores

Se agruparon estas secuencias en diferentes grupos de clasificación según estaban caracteri-

Secuencias codificantes o estructurales.

Caracterı́stica Grupo N longitud media (pb)

Cuadro 1: Resumen de los grupos de estudio de cada caracterı́stica.

2.2. Algoritmo de transformación de secuencias genéticas a series tem-

2.3. Herramientas matemáticas para el estudio de las series temporales

2.3.2. Herramientas avanzadas

M y(l) = y(l0 + l) − y(l0 ) (3)

El calculo de α nos puede describir principalmente dos tipos de comportamiento en relación a la

Figura 3: Ejemplo del calculo de la fluctuación en la serie temporal de la secuencia de la Figura

2.4. Algoritmo de transformación de series temporales a grafos. Grafo

2.5. Propiedades asociadas a los grafos.

2.5.1. Grado de conectividad del grafo.

(b) Ajuste de recta de regresión del gráfico de la izquier-

2.5.2. Propiedad del mundo pequeño.

2.6. Análisis de los resultados

2.6.3. Comparación de las medias de 2 o más poblaciones

2.7. Clasificación de los datos

2.7.1. Aprendizaje automático no supervisado (k-medias).

2.7.2. Aprendizaje automático supervisado (k-Vecinos más próximos).

2.7.3. Aprendizaje profundo. Clasificación mediante redes neuronales.

2.8. Herramientas computacionales

MétodoParámetro N x̄ σ̂ 2 mı́n máx Rˆ2