Predecir la variación natural en el paisaje fenotípico de la levadura con el aprendizaje automático

Área de la Ciencia:

• La genómica
• Biología de sistemas
• Biología computacional

Sus antecedentes:

• Los rasgos de los organismos surgen de interacciones genéticas y ambientales complejas, lo que complica la predicción.
• La predicción de fenotipos a partir de genotipos es un desafío significativo en biología.

Objetivo del estudio:

• Explorar las predicciones de fenotipos utilizando modelos de aprendizaje automático (ML) en Saccharomyces cerevisiae.
• Para comparar modelos de ML para predecir 223 rasgos a partir de datos genómicos y de expresión génica.

Principales métodos:

• Utilizó una tubería de aprendizaje automático con modelos lineales y no lineales.
• Las máquinas de aumento de gradiente de referencia como el modelo de mayor rendimiento.
• Se analizaron los genotipos y los datos de expresión génica de 1011 cepas de levadura.

Principales resultados:

• Las máquinas de impulso de gradiente lograron la mejor precisión de predicción.
• Las puntuaciones de alteración de la función génica y la presencia/ausencia de genes fueron predictores significativos.
• La precisión de la predicción varió según el fenotipo, con la resistencia al estrés más predecible que el crecimiento.

Conclusiones:

• El aprendizaje automático interpreta efectivamente el impacto funcional de las variantes genéticas en los fenotipos.
• El genoma accesorio juega un papel sustancial en el control de los fenotipos de levadura.
• La información genómica puede transferirse efectivamente a través de fenotipos relacionados.