Utilize este identificador para referenciar este registo:
https://hdl.handle.net/1822/79844
Título: | Advanced text mining for annotation of genomic variants |
Outro(s) título(s): | Text mining avançado para anotação de variantes genómicas |
Autor(es): | Monteiro, Ana Rita Patrício |
Orientador(es): | Oliveira, Patrícia Mendes, Rui |
Palavras-chave: | Variantes genómicas Text mining Machine learning Classificação de variantes Genomic variants Variants classifications |
Data: | 11-Dez-2018 |
Resumo(s): | A deteção de variantes genómicas associadas à doença tornou-se uma tarefa
acessível por meio do sequenciamento de nova geração. Esta tecnologia produz
grandes quantidades de dados que usando ferramentas de bioinformática
permite entender o impacto funcional das variantes. Contudo, às vezes essas
informações estão ocultas em textos clínicos não estruturados, sem uma
classificação do tipo ‘Benigna’ ou ‘Patogénica’. Embora tais textos estejam na
OMIM, as variantes são frequentemente descritas como 'Variantes de
Significado Desconhecido' (VUS). Portanto, para interpretar as informações
destes textos desenvolvemos uma ferramenta baseada em Text-Mining
(TM)/Machine Learning (ML). E, recolhemos textos clínicos não estruturados
com uma classificação da ClinVar de ‘Benignas’ ou ‘Patogénicas’. E construímos
um conjunto de dados com 24.171 textos clínicos não estruturados, onde 174
são de variantes 'Benignas' e 23.997 de variantes 'Patogénicas'. Os textos de
cada variante, foram pré-processados para remover informações irrelevantes.
Em seguida, construímos um dicionário de palavras-chave biológicas, dando um
valor positivo às palavras-chave com uma conotação positiva e um valor negativo
às palavras-chave com uma conotação negativa. Assim, aperfeiçoámos uma
estratégia única de pontuação para uma máxima accuracy na classificação.
Para testar a nossa estratégia de pontuação, usámos os textos de todas as
variantes ‘Benignas’ (n=174) e 1000 variantes ‘Patogénicas’ selecionadas
aleatoriamente. A análise feita pela nossa ferramenta a 235 textos levou a uma
accuracy de 89,4%. Finalmente, e usando um conjunto de dados de validação
com 10 ‘Benignas’ e 690 ‘Patogénicas’ (n=700), conseguimos obter uma
accuracy de 99%, ou seja, apenas 7 variantes incorretamente classificadas. Em
conclusão, a nossa ferramenta é capaz de interpretar e classificar textos da
OMIM com uma alta accuracy. No futuro, abordaremos as variantes VUS/não
classificadas, com o objetivo de fornecer ao utilizador uma probabilidade de que
tais variantes sejam ‘Benignas’ ou ‘Patogénicas’ num dado contexto de doença. The detection of genomic variants associated with disease has become an accessible task through Next Generation Sequencing. This technology produces large amounts of data that, using bioinformatics tools, allow to understand the functional impact of detected variants. However, in sometimes such information is concealed within unstructured texts (UT) rather than in a binary classification, i.e. ‘Benign’ vs. ‘Pathogenic’. Although UTs are available in OMIM, in many cases, the variants are described as ‘Variants of Unknown Significance’ (VUS). Therefore, to interpret the information from UTs, we have designed a Text-Mining (TM)/Machine Learning (ML)-based tool. To create our tool, we collected OMIM UTs from a set of ClinVar-classified ‘Benign’ and ‘Pathogenic’ genomic variants, constructing a dataset of 24,171 variants, 174 classified by ClinVar as ‘Benign’ and 23,997 as ‘Pathogenic’ and the corresponding OMIM-UTs were first pre processed to remove irrelevant non-clinical information. Next, we constructed a dictionary of biological keywords, giving a positive value to keywords with a positive connotation and a negative value to keywords with a negative connotation a negative or positive connotation to be searched in the OMIM-UTs. Therefore, we fine-tuned a unique scoring strategy for maximum variant classification accuracy. To train and test we used the corresponding OMIM-UTs of all ‘Benign’ variants (n=174) and 1000 randomly selected ‘Pathogenic’ variants from our dataset. Classification of OMIM-UTs from the ML-test dataset (n=235) by our tool, led to an 89.4% accuracy rate. Finally, and using a validation dataset with 10 ‘Benign’ and 690 ‘Pathogenic’ (n=700) we were able to obtain an accuracy rate of 99%, i.e. only 7 misclassified variants. In conclusion, our tool is currently capable of classifying OMIM-UTs with a high accuracy rate. In the future, we expect to address the problem of VUS/unclassified variants, aimed at providing the user with a likelihood of whether such variants are more probable to be ‘Benign’ or ‘Pathogenic’ in a given disease context. |
Tipo: | Dissertação de mestrado |
Descrição: | Dissertação de mestrado em Bioinformatics |
URI: | https://hdl.handle.net/1822/79844 |
Acesso: | Acesso aberto |
Aparece nas coleções: | BUM - Dissertações de Mestrado |
Ficheiros deste registo:
Ficheiro | Descrição | Tamanho | Formato | |
---|---|---|---|---|
Ana Rita Patricio Monteiro.pdf | Dissertação de Mestrado | 2,78 MB | Adobe PDF | Ver/Abrir |