Modelo de aprendizaje por transferencia Word2Vec-ResNet para la predicción de promotores con reducción de...

Área de la Ciencia:

• Genómica
• Bioinformática
• Biología Computacional

Sus antecedentes:

• La predicción de promotores es esencial para comprender la regulación génica.
• Los métodos tradicionales como la codificación one-hot enfrentan desafíos con la alta dimensionalidad y la integración limitada de conocimientos.
• Las restricciones de conocimiento de dominio único obstaculizan el rendimiento predictivo de los modelos existentes.

Objetivo del estudio:

• Proponer un método avanzado de predicción de promotores, Word2Vec-ResNet.
• Abordar las limitaciones de las estrategias de codificación tradicionales en la predicción de promotores.
• Mejorar la generalización del modelo integrando el procesamiento del lenguaje natural (PLN) y el aprendizaje por transferencia de dominio cruzado.

Principales métodos:

• Se utilizó Word2Vec para preentrenar incrustaciones de secuencias de nucleótidos en datos del dominio de origen.
• Se implementó una arquitectura ResNet para la predicción de promotores.
• Se aplicó aprendizaje por transferencia de dominio cruzado transfiriendo incrustaciones preentrenadas al dominio de destino.
• Se evaluó el método en conjuntos de datos de promotores de cuatro organismos diversos: Bacillus subtilis, Escherichia coli, Saccharomyces cerevisiae y Drosophila melanogaster.

Principales resultados:

• Logró una reducción promedio del 97,6% en la dimensión de codificación en comparación con la codificación one-hot.
• Demostró un aumento promedio del 18,12% en la precisión de la predicción en comparación con los métodos de referencia.
• Mostró mejoras significativas de rendimiento en múltiples especies, lo que resalta la generalización del modelo.

Conclusiones:

• Word2Vec-ResNet reduce eficazmente la dimensionalidad de la codificación al tiempo que mejora la precisión de la predicción de promotores.
• La integración del PLN y el aprendizaje por transferencia de dominio cruzado ofrece un enfoque poderoso para descifrar los mecanismos de regulación transcripcional.
• Este método proporciona una herramienta más eficiente y precisa para el análisis genómico y los estudios de regulación génica.