SciPhyloMiner: um Workflow para Mineração de Dados Filogemônicos de Protozoários

Abstract

Uma tarefa importante na bioinformática é explorar informações evolutivas contidas emárvores filogenéticas, para a identificação padrões ou assinaturas que demonstrem a presença de determinado processo evolutivo. A presente pesquisa visa explorar asárvores filogenéticas de genes ortólogos nos genomas de protozoários no nível genômico, na procura de padrões nas sub-árvores relacionadas a processos evolutivos ou filogenômicos. No entanto, realizar a exploração e comparação deárvores de forma manual é inviável. Neste artigo foi desenvolvido um workflow científico de mineração de dados filogenômicos, o SciPhyloMiner, que apoia as comparações múltiplas de centenas ou milhares deárvores. A metodologia foi dividida em três etapas, com a etapa-1 geração deárvores, etapa-2 mineração deárvores e etapa-3 análise deárvores via consulta em bancos de dados de proveniência. Experimentos mostram que SciPhyloMiner permite a mineração de uma grande quantidade deárvores em ambientes de nuvem. Resultados de desempenho apresentam melhoras de até 94,54% no tempo de execução quando comparado com a execução sequencial, que cai de 4 dias para aproximadamente 4,85 horas.

NMFSt.P: um Notebook para Identificação em Paralelo de Subárvores Frequentes em Conjuntos de Árvores Filogenéticas

“…Foram encontrados poucos trabalhos na literatura que propõem workflows para identificac ¸ão de subárvores frequentes em conjuntos de árvores filogenéticas. [Guedes et al 2017] propõem o SciPhyloMiner, que é um workflow modelado em um sistema de workflow paralelo (i.e., SciCumulus) que utiliza a aplicac ¸ão Dendropy para minerac ¸ão das subárvores. A limitac ¸ão do SciPhyloMiner é justamente em sua capacidade de paralelismo, já que a aplicac ¸ão Dendropy é uma caixa-preta não paralelizável.…”

“…A ideia por trás da utilizac ¸ão de tal dataset é que assim podemos comparar os resultados obtidos com uma abordagem baseline [Guedes et al 2017], tanto em termos de desempenho computacional quanto do ponto de vista biológico. O dataset original era composto de 200 arquivos multi-fasta, porém nos experimentos apresentados nesse artigo, selecionamos 50 arquivos multi-fasta, onde cada arquivo é relacionado a um determinado gene.…”

“…Devido ao rápido avanc ¸o de tecnologias que integram a área biológica com a Ciência da Computac ¸ão (e.g., técnicas de sequenciamento aliadas a computac ¸ão de alto desempenho), temos presenciado um aumento considerável no volume de dados biológicos disponíveis. Na área da filogenia, tais avanc ¸os permitiram a gerac ¸ão de árvores filogenéticas grandes [Goloboff et al 2009], seja a partir da execuc ¸ões de aplicac ¸ões isoladas ou a partir de workflows complexos [Guedes et al 2017]. A análise de tais árvores desempenha um papel fundamental na compreensão das relac ¸ões evolutivas entre os seres vivos, oferecendo insumos para tarefas posteriores.…”

“…De forma a estruturar o workflow de identificac ¸ão de subárvores frequentes sem a necessidade do uso de complexos sistemas de workflow ou o encadeamento manual de múltiplas aplicac ¸ões por parte do usuário, esse artigo apresenta o NMFSt.P (do inglês Notebook for Mining Frequent Subtrees in Parallel), um Notebook que visa a identificac ¸ão de padrões comuns, i.e., subárvores nas topologias de árvores dadas como entrada. O NMFSt.P estende trabalhos anteriores do grupo que modelaram workflows de análise filogenética e minerac ¸ão de subárvores [Guedes et al 2017] usando sistemas de workflows. O NMFSt.P foi implementado em Python e utiliza a biblioteca Parsl [Babuji et al 2019] para prover o paralelismo necessário para a tarefa.…”