Algoritmo de Forrajeo de Bacterias para el Alineamiento Múltiple de Secuencias Relacionadas con Alzheimer
DOI:
https://doi.org/10.69639/arandu.v13i1.2009Palabras clave:
BFOA, Alzheimer, Algoritmo, MSAResumen
El objetivo de este trabajo es desarrollar un algoritmo de forrajeo de bacterias para el alineamiento múltiple de secuencias genéticas. La metodología consiste en comparar el desempeño de dos versiones del algoritmo (bactOf y bactAtp) en el alineamiento de tres conjuntos de secuencias de genes (A,B y C) relacionados con el AlzHeimer. Dichos genes son TREM2, EPHA1 y ABCA7 de diferentes organismos como Homo sapiens, Mustela putorius furo, Pongo abelii y Cervus elaphus, entre otros. Los resultados muestran que en el set A, el promedio de fitness de bactOf comienza en 1097.86 y aumenta gradualmente hasta alcanzar 1431.87 en la iteración 30, mientras que bactAtp inicia en 1570.53 y aumenta gradualmente hasta estabilizarse en 1596.10 a partir de la iteración 20. En el set B, bactAtp comienza con un promedio de fitness de 5636.59, mientras que bactOf inicia en 3626.53, lo que indica que bactAtp tiene un valor de fitness inicial significativamente superior. Finalmente, en el set C, bactAtp comienza con un valor de fitness mucho más alto (3239.54) que bactOf (492.07). Esta tendencia de mayor fitness en bactAtp se mantiene constante a lo largo de las iteraciones. Por otro lado, la cuantificación del número de funciones evaluadas (NFE) indica que en los Sets A y B, ambos algoritmos presentan un NFE idéntico de 653. Conclusiones: aunque ambos algoritmos, bactOf y bactAtp, son comparables en eficiencia de evaluación, bactAtp muestra un mejor desempeño en términos de fitness y rapidez de convergencia; esto es más notorio en el Set B. Esto se debe a su distribución aleatoria de gaps que optimiza la diversidad genética y evita patrones no deseados, lo que permite una mejor exploración y evita mínimos locales.
Descargas
Citas
Amorim, A. R., Zafalon, G. F. D., Contessoto, A. de G., Valêncio, C. R., & Sato, L. M. (2021). Metaheuristics for multiple sequence alignment: A systematic review. Computational Biology and Chemistry, 94, 107563. https://doi.org/10.1016/j.compbiolchem.2021.107563
Biswas, A., Das, S., Abraham, A., & Dasgupta, S. (2010). Analysis of the reproduction operator in an artificial bacterial foraging system. Applied Mathematics and Computation, 215(9), 3343–3355. https://doi.org/10.1016/j.amc.2009.10.023
Chen, Y.-P., Li, Y., Wang, G., Zheng, Y.-F., Xu, Q., Fan, J.-H., & Cui, X.-T. (2017). A novel bacterial foraging optimization algorithm for feature selection. Expert Systems with Applications, 83, 1–17. https://doi.org/10.1016/j.eswa.2017.04.019
Guo, C., Tang, H., Niu, B., & Boon Patrick Lee, C. (2021). A survey of bacterial foraging optimization. Neurocomputing, 452, 728–746. https://doi.org/10.1016/j.neucom.2020.06.142
Hernández-Ocaña, B., Pozos-Parra, Ma. D. P., Mezura-Montes, E., Portilla-Flores, E. A., Vega-Alvarado, E., & Calva-Yáñez, M. B. (2016). Two-Swim Operators in the Modified Bacterial Foraging Algorithm for the Optimal Synthesis of Four-Bar Mechanisms. Computational Intelligence and Neuroscience, 2016, 1–18. https://doi.org/10.1155/2016/4525294
Lipman, D. J., Altschul, S. F., & Kececioglu, J. D. (1989). A tool for multiple sequence alignment. Proceedings of the National Academy of Sciences, 86(12), 4412–4415. https://doi.org/10.1073/pnas.86.12.4412
Pang, B., Song, Y., Zhang, C., Wang, H., & Yang, R. (2018). An improved Bacterial Foraging Optimization algorithm using novel chemotaxis and swarming strategy. 2018 IEEE International Conference on Information and Automation (ICIA), 1107–1112. https://doi.org/10.1109/ICInfA.2018.8812479
Xu, X., & Chen, H. (2014). Adaptive computational chemotaxis based on field in bacterial foraging optimization. Soft Computing, 18(4), 797–807. https://doi.org/10.1007/s00500-013-1089-4
Zambrano-Vega, C., Nebro, A. J., Durillo, J. J., García-Nieto, J., & Aldana-Montes, J. F. (2017). Multiple Sequence Alignment with Multiobjective Metaheuristics. A Comparative Study. International Journal of Intelligent Systems, 32(8), 843–861. https://doi.org/10.1002/int.21892
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 Erik Iván Toledo Galeana, María Magdalena Delabra Salinas, Ernesto Rios Willars
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Esta publicación está bajo una 
