Aprendizaje activo bayesiano asistido por gráficos de conocimiento para el descubrimiento de interacciones genéticas...

Área de la Ciencia:

• Biología computacional
• La genómica
• Modelado de enfermedades infecciosas

Sus antecedentes:

• En silico, la predicción de perturbaciones multigenéticas es crucial para la genómica funcional, el descubrimiento de fármacos y el modelado de enfermedades.
• El desarrollo de algoritmos predictivos para sistemas de mamíferos es un desafío debido a los datos limitados y los altos costos experimentales.

Objetivo del estudio:

• Desarrollar un marco de aprendizaje activo bayesiano para descubrir la eliminación de genes anfitriones en pares que inhiben la proliferación del VIH-1.
• Aprovechar los gráficos de conocimiento biológico y la diversificación de lotes para la identificación eficiente de las interacciones genéticas.

Principales métodos:

• Implementó un marco de aprendizaje activo bayesiano que incorpora un gráfico de conocimiento biológico.
• Se empleó un enfoque de diversificación de lotes computacionalmente eficiente.
• Evaluó el marco en un conjunto de datos de mediciones de carga viral de experimentos de agotamiento de genes duales en más de 350 genes huéspedes.

Principales resultados:

• El marco identificó rápidamente pares de eliminación de genes efectivos para reducir la carga viral del VIH-1.
• La incorporación de información paralela (gráfico del conocimiento) mejoró el rendimiento del aprendizaje activo en las primeras etapas.
• La diversificación de lotes mejoró significativamente el rendimiento en etapas posteriores (regimen de datos altos).

Conclusiones:

• El marco desarrollado identifica eficientemente pares de genes para inhibir la proliferación viral en un modelo de VIH-1.
• El enfoque es generalizable para explorar las interacciones genéticas en otros contextos biológicos, como la letalidad sintética y la epistasis.
• Este método ofrece un enfoque rentable y rápido para la genómica funcional y el modelado de enfermedades.