GenoDense-Net: desentrañar el rompecabezas genómico del patógeno global

Área de la Ciencia:

• La bioinformática
• Biología computacional
• Aprendizaje automático en medicina

Sus antecedentes:

• Las enfermedades respiratorias infecciosas como el COVID-19 representan una amenaza significativa para la salud humana.
• La detección y el diagnóstico tempranos son fundamentales para controlar la propagación de enfermedades contagiosas.
• La secuenciación del genoma proporciona datos valiosos para comprender e identificar los agentes infecciosos.

Objetivo del estudio:

• Desarrollar y evaluar una técnica de aprendizaje profundo para clasificar las secuencias del genoma de COVID-19.
• Evaluar el rendimiento de la arquitectura GenoDense-Net propuesta en comparación con los modelos de aprendizaje profundo establecidos.
• Demostrar la utilidad del aprendizaje automático en el análisis de datos genómicos de enfermedades infecciosas.

Principales métodos:

• Utilizó el marco DenseNet-16 para el análisis de la secuencia del genoma.
• Los empleados transfieren el aprendizaje para adaptar una red neuronal previamente entrenada al conjunto de datos de COVID-19.
• Aplicó la interpolación NearKbest para el preprocesamiento de datos y Adam Optimizer para la optimización del modelo.
• Comparó el método propuesto con los modelos ResNet-50, VGG-19, AlexNet y VGG-16.

Principales resultados:

• Logró una precisión de clasificación del 99.18% para las secuencias del genoma COVID-19.
• El modelo GenoDense-Net demostró un rendimiento superior en comparación con otras arquitecturas de aprendizaje profundo.
• El despliegue con soporte de GPU redujo significativamente el tiempo de entrenamiento del modelo.

Conclusiones:

• El enfoque de aprendizaje profundo GenoDense-Net propuesto es efectivo para categorizar las secuencias del genoma de enfermedades infecciosas, específicamente para COVID-19.
• Esta investigación destaca el potencial de la IA para acelerar el análisis de datos genómicos para la identificación rápida de enfermedades.
• El trabajo futuro incluye la validación clínica y la expansión del conjunto de datos para futuras investigaciones.