El efecto de las características taxonómicas dependientes del huésped y el sesgo de la muestra en la predicción del...

Área de la Ciencia:

• Virología
• La bioinformática
• Aprendizaje automático

Sus antecedentes:

• Los estudios metavirómicos revelan numerosos virus nuevos, lo que requiere una rápida predicción del huésped.
• La identificación precisa del huésped es vital para el manejo de los reservorios emergentes de enfermedades infecciosas.

Objetivo del estudio:

• Desarrollar y evaluar algoritmos de aprendizaje automático para predecir los huéspedes de nuevos virus de ARN.
• Evaluar el impacto de las características genómicas y la longitud de la secuencia en la precisión de la predicción.

Principales métodos:

• Cuatro algoritmos de aprendizaje automático (Random Forest, Gradient Boosting, Support Vector Machine) fueron entrenados en datos genómicos virales.
• Las frecuencias K-mer (4-mers) y la composición de nucleótidos se utilizaron como características predictivas.
• El rendimiento del modelo se evaluó utilizando puntuaciones F1, comparando con métodos basados en la homología.

Principales resultados:

• La Máquina Vectorial de Apoyo con frecuencias de 4 mer logró una puntuación F1 ponderada media de 0,79 para predecir géneros de virus desconocidos.
• Este rendimiento superó significativamente a los métodos de referencia como tBLASTx (0.68) y otros modelos de ML.
• El uso de fragmentos de la misma longitud para el entrenamiento mejoró la calidad de predicción para secuencias de virus cortas.

Conclusiones:

• Las frecuencias k-mer cortas contienen información suficiente para una predicción precisa del huésped de los nuevos géneros de virus de ARN.
• El algoritmo desarrollado ofrece un enfoque robusto para el análisis rápido de datos metavirómicos.
• Esta herramienta puede ayudar a identificar amenazas biológicas potenciales de secuencias virales desconocidas.