Aprendizaje de las relaciones secuencia-función con procesos gaussianos escalables e interpretables

Área de la Ciencia:

• La genética y la bioinformática
• Biología computacional
• Biología de sistemas

Sus antecedentes:

• Comprender las relaciones genotipo-fenotipo es crucial en genética, pero complicado por la epistasis (efectos mutacionales dependientes del contexto).
• El fenotipo de alto rendimiento genera grandes conjuntos de datos, pero los modelos estándar luchan con la generalización y la interpretabilidad.
• Las redes neuronales profundas ofrecen flexibilidad pero carecen de interpretabilidad y cuantificación de incertidumbre.

Objetivo del estudio:

• Introducir una nueva familia de modelos de procesos gaussianos interpretables para las relaciones secuencia-función.
• Para capturar la epistasis utilizando distribuciones previas flexibles que generalizan los modelos de paisaje de fitness.
• Proporcionar métodos escalables e interpretables para explorar las interacciones genéticas complejas.

Principales métodos:

• Desarrolló modelos de procesos gaussianos interpretables con distribuciones previas flexibles para modelar la epistasis.
• Se han incorporado factores específicos del sitio, del alelo y de la mutación para cuantificar los efectos epistásicos.
• Aceleración de la GPU utilizada para la escalabilidad a grandes conjuntos de datos (proteína, ARN, SNP de todo el genoma).

Principales resultados:

• Logró un rendimiento predictivo superior en grandes conjuntos de datos de secuencias biológicas.
• Parámetros de modelo generados interpretables que recuperan las características genéticas conocidas.
• Descubrió nuevas interacciones epistáticas, proporcionando nuevos conocimientos sobre el mapa genotipo-fenotipo.

Conclusiones:

• Los modelos de proceso gaussiano desarrollados ofrecen un enfoque escalable e interpretable para estudiar las relaciones secuencia-función.
• Estos modelos capturan efectivamente la epistasis y proporcionan una visión más profunda del mapa genotipo-fenotipo.
• Los métodos son aplicables en diversos sistemas biológicos, incluidas las secuencias de ADN, ARN y proteínas.