Identificación rápida de genes de resistencia a los metales utilizando un modelo de aprendizaje profundo ResNet...

Área de la Ciencia:

• Microbiología ambiental
• La bioinformática
• Biología computacional

Sus antecedentes:

• La contaminación por metales pesados presenta riesgos sustanciales para el medio ambiente y la salud pública.
• La comprensión de la adaptación microbiana a los metales es crucial para una gestión eficaz.
• La identificación y clasificación de los genes de resistencia a los metales es clave para este entendimiento.

Objetivo del estudio:

• Ampliar la base de datos de BacMet con nuevas secuencias de aminoácidos relacionadas con la resistencia a los metales.
• Desarrollar y evaluar modelos de aprendizaje profundo para clasificar las proteínas translocadoras de metales.
• Para crear una herramienta fácil de usar para predecir la resistencia genética a los metales.

Principales métodos:

• Incorporó más de 1,2 millones de secuencias de aminoácidos únicos en la base de datos de BacMet.
• Se han empleado modelos de aprendizaje profundo (AlexNet, VGG, GoogleNet, ResNet, BERT, ViT, Mamba2) para la clasificación de etiquetas múltiples.
• Validar el rendimiento del modelo y la fiabilidad de la biblioteca de genes a través de ensayos experimentales y desarrollar el sitio web de PMRAAS.

Principales resultados:

• El modelo ResNet logró una precisión superior (98,91% de puntuación Jaccard) y una eficiencia computacional en comparación con los métodos tradicionales como BLASTp y DIAMOND.
• La biblioteca de genes expandida y el modelo ResNet demostraron un alto rendimiento y fiabilidad predictivos.
• El sitio web de PMRAAS se desarrolló para la predicción en línea de la resistencia genética a los metales.

Conclusiones:

• Los modelos de aprendizaje profundo, en particular ResNet, ofrecen un enfoque poderoso y eficiente para clasificar los genes de resistencia a los metales.
• La base de datos ampliada BacMet y la herramienta PMRAAS proporcionan valiosos recursos para estudiar la adaptación microbiana.
• Estos avances apoyan estrategias mejoradas de biorremediación para la gestión de la contaminación por metales pesados.