Hacer que la IA sea accesible para el análisis forense del perfil de ADN

Área de la Ciencia:

• Ciencias forenses
• La bioinformática
• Visión por computadora

Sus antecedentes:

• El aprendizaje profundo ofrece potencial para automatizar la llamada de alelos en el análisis forense del ADN.
• Los métodos actuales a menudo usan arquitecturas de modelos personalizados y anotaciones manuales extensas, lo que dificulta la reproducibilidad.
• Hay una necesidad de enfoques de aprendizaje profundo accesibles y estandarizados en genética forense.

Objetivo del estudio:

• Investigar la eficacia del entrenamiento de un modelo de aprendizaje profundo utilizando datos de casos y una arquitectura estándar de U-Net para la llamada de alelos forenses de ADN.
• Evaluar el rendimiento del modelo desarrollado, DNANet, en comparación con analistas humanos y verdades básicas establecidas.
• Promover la accesibilidad poniendo a disposición del público el código, los pesos de los modelos y los datos.

Principales métodos:

• Desarrolló DNANet, un modelo de aprendizaje profundo basado en U-Net, para clasificar los puntos de escaneo de electroferogramas como alelos o no alelos.
• Entrenó el modelo utilizando anotaciones alelo derivadas de datos de casos.
• Evaluó DNANet en datos de casos no vistos y datos de investigación de mezclas independientes, comparando su rendimiento con las anotaciones del analista y los alelos reales del donante.

Principales resultados:

• DNANet logró altas puntuaciones F1: 0.971 en datos de casos anotados por analistas y 0.982 en datos de investigación.
• El rendimiento en alelos donantes reales (puntuación F1 0,962) fue comparable al de los analistas humanos.
• El modelo demostró que se puede lograr un buen rendimiento con datos y arquitecturas estándar.

Conclusiones:

• El rendimiento de DNANet está a la par con los analistas humanos en la llamada forense de alelos de ADN, validando el uso de arquitecturas estándar de aprendizaje profundo y datos de casos.
• El estudio destaca el potencial para automatizar tareas forenses complejas con herramientas de aprendizaje profundo accesibles.
• Se hace un llamamiento para establecer puntos de referencia estandarizados para facilitar las comparaciones cuantitativas de los sistemas de llamadas de alelos.