El fitomejoramiento es fundamental para garantizar alimentos estables para la creciente población mundial. Para satisfacer eficientemente la creciente demanda de alimentos, el fitomejoramiento debe lograr altas tasas de ganancia genética. La selección genómica es una herramienta poderosa que aprovecha la variación del ADN en todo el genoma y los datos fenotípicos para predecir el desempeño de individuos no observados. Los estudios empíricos han demostrado la superioridad de GS sobre los métodos convencionales, mejorando las ganancias de selección y reduciendo los ciclos de reproducción en varios cultivos. Además, las técnicas de aprendizaje profundo, un subconjunto de la inteligencia artificial, se exploran cada vez más en la predicción genómica, lo que resulta prometedora para mejorar la precisión de la predicción, particularmente con el creciente volumen de datos genéticos. Esta intersección de genómica y DL tiene el potencial de revolucionar varios campos, incluida la medicina de precisión y la agricultura.
Arquitecturas de aprendizaje profundo: una perspectiva genómica:
Los avances recientes en las arquitecturas de aprendizaje profundo genómico han permitido un procesamiento de datos biológicos más eficiente y preciso. Las CNN destacan en la captura de motivos genómicos, mientras que las RNN manejan datos secuenciales como secuencias de ADN. Los codificadores automáticos, incluidos los codificadores automáticos variacionales (VAE), son valiosos para la extracción de características y la reducción de dimensionalidad. Las arquitecturas emergentes, como los modelos híbridos que combinan CNN y RNN, abordan tareas genómicas específicas de manera efectiva. Los LLM basados en transformadores, como GPT, superan las limitaciones de las CNN y RNN al procesar de manera eficiente secuencias largas y capturar dependencias globales. Sin embargo, el alto costo de capacitar y prestar servicios a los LLM sigue siendo un desafío, especialmente para tareas de genómica con amplios requisitos de datos y preocupaciones de privacidad.
Aplicaciones genómicas:
El aprendizaje profundo es una herramienta poderosa en diversas aplicaciones genómicas, incluida la caracterización de la expresión genética, la genómica regulatoria, la genómica funcional y la genómica estructural. En la caracterización de la expresión genética, se han empleado modelos de aprendizaje profundo, como codificadores automáticos de eliminación de ruido y codificadores automáticos variacionales, para extraer características de los datos de expresión genética, lo que lleva a una comprensión de los procesos biológicos y a un mejor rendimiento en tareas como la agrupación y la predicción. Además, los métodos de aprendizaje profundo se han mostrado prometedores a la hora de predecir niveles de expresión genética a partir de secuencias de ADN, incorporando datos epigenéticos para mejorar la precisión e incluso utilizando modelos generativos para explorar perfiles hipotéticos de expresión genética bajo diferentes perturbaciones.
En genómica regulatoria, se han aplicado técnicas de aprendizaje profundo para identificar motivos regulatorios como promotores, potenciadores y sitios de empalme, siendo las CNN particularmente efectivas para capturar características de secuencia. La predicción de la localización subcelular de proteínas también se ha beneficiado del aprendizaje profundo, con modelos como CNN y RNN que logran una alta precisión al aprender eficazmente a partir de datos de secuencias biológicas. Además, los métodos de aprendizaje profundo en genómica estructural se han mostrado prometedores en la clasificación de estructuras de proteínas y detección de homología, aprovechando técnicas como redes LSTM y CNN para extraer características de secuencias de aminoácidos y clasificar con precisión los pliegues de proteínas. En general, el aprendizaje profundo revoluciona la investigación genómica al proporcionar herramientas poderosas para analizar datos biológicos complejos y descubrir conocimientos novedosos sobre los mecanismos genéticos.
Materiales y métodos:
El estudio empleó dos conjuntos de datos del proyecto 1000 Genomas, que constan de 10.000 y 65.535 polimorfismos de un solo nucleótido (SNP) en regiones cromosómicas específicas. Entrenaron modelos generativos, incluidos Wasserstein GAN con penalización de gradiente (WGAN-GP), máquinas de Boltzmann restringidas (RBM) y codificadores automáticos variacionales (VAE) para generar secuencias genómicas artificiales. WGAN-GP y VAE se implementaron con capas convolucionales, mientras que RBM utilizó aprendizaje fuera de equilibrio. La evaluación incluyó evaluar la capacidad de los modelos para imitar datos reales a través de PCA y calcular la precisión adversaria del vecino más cercano (AATS) para medir el sobreajuste y el desajuste. La fuga de privacidad se cuantificó utilizando una puntuación de privacidad calculada a partir de los valores AATS de los conjuntos de datos de prueba y entrenamiento.
Generando datos genómicos a gran escala:
El estudio entrenó modelos WGAN y CRBM con 1.000 datos del genoma que contenían 65.535 SNP para generar secuencias genómicas artificiales. Si bien el modelo VAE no se pudo entrenar de manera efectiva, WGAN y CRBM generaron secuencias que capturaron bien la estructura de la población real y las frecuencias alélicas. Sin embargo, las secuencias generadas por WGAN tenían más alelos fijos con frecuencias bajas que CRBM. El análisis de descomposición de LD mostró que ambos modelos tenían una LD más baja que los genomas reales. CRBM superó a WGAN en el análisis de correlación de 3 puntos, pero mostró anomalías en los valores de AATS, lo que podría indicar secuencias fuera del espacio de datos real. Un análisis más detallado reveló frecuencias más altas de cadenas de puntos de datos verdaderos en comparación con las sintéticas.
Conclusión:
El aprendizaje profundo se muestra prometedor en la investigación genómica por su capacidad para capturar patrones no lineales e integrar diversas fuentes de datos sin ingeniería de características explícita. Sin embargo, su superioridad sobre los modelos convencionales en poder predictivo aún no es definitiva. Si bien las redes neuronales generativas pueden simular eficientemente datos genómicos a gran escala, persisten desafíos como la complejidad computacional y la optimización del modelo. Las preocupaciones sobre la privacidad también requieren una mayor investigación. A pesar de estos obstáculos, los avances en la capacitación de modelos y las salvaguardas de la privacidad podrían conducir a bancos de genoma artificiales, ampliando el acceso a los datos genómicos. El aprendizaje profundo tiene el potencial de revolucionar la genómica, pero requiere una cuidadosa navegación de los desafíos para lograr avances significativos en precisión predictiva e interoperabilidad.
Fuentes:
A Sana Hassan, pasante de consultoría en Marktechpost y estudiante de doble titulación en IIT Madras, le apasiona aplicar la tecnología y la inteligencia artificial para abordar los desafíos del mundo real. Con un gran interés en resolver problemas prácticos, aporta una nueva perspectiva a la intersección de la IA y las soluciones de la vida real.