Algoritmos de compresión para secuencias biológicas y su aplicación en árboles filogénicos

116 Pages·2006·2.18 MB·Spanish

Proyecto Fin de Carrera de Ingenier(cid:237)a en InformÆtica
Algoritmos de compresi(cid:243)n para secuencias
biol(cid:243)gicas y su aplicaci(cid:243)n en Ærboles (cid:28)logØnicos
construidos a partir de ADN mitocondrial
Pablo Urcola Irache
Directora: Elvira Mayordomo CÆmara
Departamento de InformÆtica e Ingenier(cid:237)a de Sistemas
Centro PolitØcnico Superior
Noviembre 2006

Comprimir es comprender
Jorge Wagensberg

Agradezco a todo el mundo que me ha ayudado o me ha ofrecido su ayuda en
algœn momento de la realizaci(cid:243)n de este proyecto su interØs y disposici(cid:243)n. Como
œltimo favor les pido que me dejen dedicar este trabajo a mi abuelo.

˝ndice general
I Memoria 9
1. Introducci(cid:243)n 11
1.1. Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.2. Alcance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.3. Trabajo previo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.4. Contexto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.5. MØtodos, tØcnicas y herramientas . . . . . . . . . . . . . . . . . . . 13
1.6. Contenido de la memoria . . . . . . . . . . . . . . . . . . . . . . . . 13
2. Conceptos previos 15
2.1. Secuencias biol(cid:243)gicas . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.1.1. Formaci(cid:243)n de prote(cid:237)nas . . . . . . . . . . . . . . . . . . . . . 16
2.1.2. Estructura del ADN . . . . . . . . . . . . . . . . . . . . . . 16
2.2. `rboles de (cid:28)logenia . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3. Desarrollo del estudio 19
3.1. Adaptaci(cid:243)n del algoritmo de Lempel-Ziv . . . . . . . . . . . . . . . 19
3.1.1. Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.2. AnÆlisis de los algoritmos de compresi(cid:243)n espec(cid:237)(cid:28)cos . . . . . . . . . 20
3.2.1. GenCompress . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.2.2. Pattern Hunter . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.2.3. Pattern Hunter II . . . . . . . . . . . . . . . . . . . . . . . . 22
3.2.4. dnaX . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
4. Implementaci(cid:243)n del compresor 25
4.1. Especi(cid:28)caci(cid:243)n del algoritmo . . . . . . . . . . . . . . . . . . . . . . 25
4.2. Directivas de diseæo . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
4.2.1. Sobre los datos . . . . . . . . . . . . . . . . . . . . . . . . . 25
4.2.2. Sobre el uso del algoritmo . . . . . . . . . . . . . . . . . . . 26
4.3. Estructura del algoritmo . . . . . . . . . . . . . . . . . . . . . . . . 26
4.3.1. AnÆlisis de la entrada . . . . . . . . . . . . . . . . . . . . . . 27
1
2 ˝NDICE GENERAL
4.3.2. Selecci(cid:243)n de las repeticiones . . . . . . . . . . . . . . . . . . 28
4.3.3. Codi(cid:28)caci(cid:243)n de la salida . . . . . . . . . . . . . . . . . . . . 29
4.4. Consideraciones generales . . . . . . . . . . . . . . . . . . . . . . . 31
4.5. Interfaz grÆ(cid:28)ca . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
5. `rboles (cid:28)logØnicos 35
5.1. CÆlculo de la distancia entre dos secuencias . . . . . . . . . . . . . . 35
5.2. Caracter(cid:237)sticas del compresor . . . . . . . . . . . . . . . . . . . . . 36
5.3. MØtodos de cÆlculo . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
5.4. Herramientas utilizadas . . . . . . . . . . . . . . . . . . . . . . . . . 37
6. Resultados 39
6.1. Resultados del compresor . . . . . . . . . . . . . . . . . . . . . . . . 39
6.1.1. Banco de pruebas . . . . . . . . . . . . . . . . . . . . . . . . 39
6.1.2. AnÆlisis de los resultados . . . . . . . . . . . . . . . . . . . . 40
6.2. Resultados de los Ærboles de (cid:28)logenia . . . . . . . . . . . . . . . . . 43
6.2.1. Correcci(cid:243)n de las pruebas . . . . . . . . . . . . . . . . . . . 44
6.2.2. Ficheros de prueba . . . . . . . . . . . . . . . . . . . . . . . 44
6.2.3. Algoritmos y mØtodos utilizados . . . . . . . . . . . . . . . . 45
6.2.4. Resultados obtenidos . . . . . . . . . . . . . . . . . . . . . . 45
7. Conclusiones 49
7.1. Conclusiones sobre el compresor . . . . . . . . . . . . . . . . . . . . 49
7.2. Conclusiones sobre los Ærboles de (cid:28)logenia . . . . . . . . . . . . . . 50
7.3. Conclusiones personales . . . . . . . . . . . . . . . . . . . . . . . . 51
Bibliograf(cid:237)a 53
II ApØndices 55
A. C(cid:243)digo fuente de la implementaci(cid:243)n 57
A.1. Notas de la distribuci(cid:243)n . . . . . . . . . . . . . . . . . . . . . . . . 57
A.2. ADN (Cabecera) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
A.3. ADN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
A.4. Entrada-Salida de Bits (Cabecera) . . . . . . . . . . . . . . . . . . . 60
A.5. Entrada-Salida de Bits . . . . . . . . . . . . . . . . . . . . . . . . . 63
A.6. `rboles Rojinegros (Cabecera) . . . . . . . . . . . . . . . . . . . . . 67
A.7. `rboles Rojinegros . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
A.8. Cola de prioridades (Cabecera) . . . . . . . . . . . . . . . . . . . . 71
A.9. Cola de prioridades . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
A.10.`rbol de rangos (Cabecera) . . . . . . . . . . . . . . . . . . . . . . 73
˝NDICE GENERAL 3
A.11.`rbol de rangos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
A.12.Referencias (Cabecera) . . . . . . . . . . . . . . . . . . . . . . . . . 77
A.13.Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
A.14.Aut(cid:243)mata (Cabecera) . . . . . . . . . . . . . . . . . . . . . . . . . . 80
A.15.Aut(cid:243)mata . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
A.16.Codi(cid:28)cador (Cabecera) . . . . . . . . . . . . . . . . . . . . . . . . . 84
A.17.Codi(cid:28)cador . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
A.18.Decodi(cid:28)cador (Cabecera) . . . . . . . . . . . . . . . . . . . . . . . . 88
A.19.Decodi(cid:28)cador . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
A.20.Compresor (Cabecera) . . . . . . . . . . . . . . . . . . . . . . . . . 90
A.21.Compresor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
A.22.Descompresor (Cabecera) . . . . . . . . . . . . . . . . . . . . . . . 96
A.23.Descompresor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
A.24.Excepciones (Cabecera) . . . . . . . . . . . . . . . . . . . . . . . . 98
A.25.Excepciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
A.26.Ventana de estad(cid:237)sticas (Cabecera) . . . . . . . . . . . . . . . . . . 99
A.27.Ventana de estad(cid:237)sticas . . . . . . . . . . . . . . . . . . . . . . . . . 99
A.28.Ventana principal (Cabecera) . . . . . . . . . . . . . . . . . . . . . 100
A.29.Ventana principal . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
A.30.Programa principal . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
A.31.Make(cid:28)le . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
4 ˝NDICE GENERAL