QDCRNet: red convolucional dilatada cuántica recurrente para la detección de virus utilizando datos de expresión...

Área de la Ciencia:

• La bioinformática
• Biología computacional
• La genómica

Sus antecedentes:

• Las infecciones virales suponen riesgos significativos para la salud mundial, lo que requiere métodos de detección precisos y rápidos.
• Los desafíos diagnósticos actuales incluyen síntomas no específicos, expresión viral variable y retrasos en las pruebas.
• La identificación eficaz del virus es crucial para el tratamiento oportuno y el control de la transmisión de la enfermedad.

Objetivo del estudio:

• Desarrollar y evaluar un nuevo modelo de aprendizaje profundo para la detección precisa de virus utilizando datos de expresión génica.
• Abordar las limitaciones en los enfoques actuales de diagnóstico viral a través de métodos computacionales avanzados.

Principales métodos:

• Los datos de expresión génica se sometieron a la transformación Box-Cox.
• La selección de características se realizó utilizando la distancia de Gower y la información mutua para identificar las regiones genómicas relevantes.
• La detección del virus se logró utilizando la red neuronal convolucional dilatada cuántica (QDCRNet), que integra la red neuronal convolucional dilatada cuántica (QDCNN) y la red neuronal recurrente profunda (DRNN).

Principales resultados:

• El modelo QDCRNet demostró un alto rendimiento en la detección de virus.
• Logró una precisión del 90,80%, sensibilidad del 90,50% y especificidad del 90,40%.

Conclusiones:

• El modelo QDCRNet ofrece una solución potente y precisa para la detección de virus a partir de datos de expresión génica.
• Este enfoque tiene el potencial de mejorar significativamente la velocidad y la precisión del diagnóstico de infecciones virales.