OrthoML2GO: predicción de la función de proteínas basada en homología utilizando ortogrupos y aprendizaje automático

Área de la Ciencia:

• Bioinformática
• Biología Computacional
• Genómica

Sus antecedentes:

• El creciente volumen de datos de secuenciación presenta desafíos para la anotación funcional de secuencias de proteínas.
• Los métodos tradicionales basados en homología luchan con homólogos distantes, lo que limita la determinación precisa de la función de las proteínas.

Objetivo del estudio:

• Introducir OrthoML2GO, un método novedoso para mejorar la predicción de la función de proteínas.
• Mejorar la precisión y eficiencia de la anotación de proteínas, particularmente para conjuntos de datos grandes y heterogéneos.

Principales métodos:

• Integración de búsquedas de homología (USEARCH), análisis de ortogrupos (OrthoDB v12.0) y aprendizaje automático (gradient boosting).
• Aplicación secuencial de k-vecinos más cercanos (KNN), anotación de ortogrupos y verificación de aprendizaje automático para el refinamiento de términos GO.
• Análisis comparativo de OrthoML2GO frente a Blast2GO y PANNZER2 utilizando diversas muestras de organismos.

Principales resultados:

• OrthoML2GO demuestra un rendimiento comparable o superior a los métodos existentes en la precisión de la predicción de la función de proteínas.
• El método muestra una fortaleza particular en la predicción de funciones para conjuntos de datos de proteínas grandes y evolutivamente diversos.
• La combinación de información del homólogo más cercano, ortogrupos y aprendizaje automático mejora significativamente el rendimiento de la predicción.

Conclusiones:

• OrthoML2GO ofrece una solución de alto rendimiento para la anotación automática de proteínas a gran escala.
• El desarrollo futuro puede centrarse en la optimización de los modelos de aprendizaje automático y la integración de datos estructurales/funcionales adicionales para mejorar la precisión y la versatilidad.