Hacia la predicción holística de fenotipos más allá de los datos genotípicos

Área de la Ciencia:

• Mejora de plantas y animales; Genética; Bioinformática

Sus antecedentes:

• La selección genómica (SG) revoluciona la mejora al predecir fenotipos a partir de datos genéticos.
• Los modelos actuales de SG explican solo una fracción de la variación fenotípica observada.
• Existe la necesidad de integrar diversos tipos de datos para mejorar la precisión de la predicción.

Objetivo del estudio:

• Revisar y categorizar estrategias para integrar datos no genómicos en la selección genómica.
• Explorar métodos que mejoren la predicción fenotípica más allá de la información genética.
• Proporcionar una visión general completa de la integración de múltiples datos en la mejora.

Principales métodos:

• Categorización de las estrategias de integración de datos en cinco tipos: eliminar, facilitar, agregar, incorporar y modular.
• Revisión de métodos que aprovechan datos ambientales, fenotípicos y otros datos biológicos.
• Discusión de técnicas de modelado avanzadas, incluido el aprendizaje profundo (por ejemplo, CNN).

Principales resultados:

• Cinco estrategias distintas de integración de datos ofrecen beneficios variables para la predicción fenotípica.
• La facilitación, agregación, incorporación y modulación de métodos prometen mejorar la precisión de la SG.
• La modelización explícita de interacciones y la transformación de datos para modelos avanzados son enfoques clave.

Conclusiones:

• La predicción fenotípica multimodato ofrece un enfoque holístico para comprender sistemas biológicos complejos.
• La integración de diversos tipos de datos mejora significativamente la precisión de la predicción en los programas de mejora.
• La investigación futura debe centrarse en el desarrollo de modelos de predicción integrales que combinen la genómica y otras fuentes de datos.