AGEP_TWAS: Un marco basado en aprendizaje profundo para predecir los niveles de expresión génica en los tejidos

Área de la Ciencia:

• La genómica es la genómica.
• La bioinformática es la bioinformática.
• Biología computacional Biología computacional.

Sus antecedentes:

• La predicción de la expresión génica a través de los tejidos es crucial para la genómica funcional y los estudios de asociación de todo el transcriptoma (TWAS).
• Los métodos tradicionales de predicción de la expresión génica son ineficientes y no tienen en cuenta los polimorfismos de nucleótido único (SNP) que faltan, lo que limita su poder predictivo.
• Los genes emblemáticos, que reflejan los estados celulares, ofrecen un enfoque prometedor para predecir la expresión génica de todo el genoma.

Objetivo del estudio:

• Desarrollar un método avanzado de predicción de la expresión génica, AGEP_TWAS, que aproveche los genes de referencia para mejorar la precisión y la eficiencia.
• Abordar las limitaciones de los métodos existentes, incluida la ineficiencia y el manejo de SNPs que faltan.
• Mejorar la utilidad de TWAS al proporcionar predicciones de expresión génica más confiables.

Principales métodos:

• AGEP_TWAS emplea una red de conexión densa, funciones de activación adaptativas y poda de parámetros dentro de un marco de extracción de características no lineal.
• El método utiliza genes marcadores específicos del tejido para predecir los niveles de expresión de otros genes.
• El enfoque fue validado en conjuntos de datos humanos GEO y CattleGTEx.

Principales resultados:

• AGEP_TWAS logró un error cuadrado medio (MSE) de 0.1821 y un coeficiente de correlación de Pearson (PCC) de 0.9004 en el conjunto de datos GEO humano, superando a los modelos de última generación.
• El método demostró un rendimiento predictivo superior en el conjunto de datos CattleGTEx para inferir la expresión génica en los tejidos del ganado.
• Un TWAS sobre rasgos de la producción de leche de ganado identificó seis genes significativos asociados con el rasgo, mostrando su aplicación práctica.

Conclusiones:

• AGEP_TWAS ofrece un avance significativo en la predicción de la expresión génica, en particular para los genes difíciles de predecir con los métodos tradicionales.
• La capacidad del método para aprovechar los genes de referencia y manejar los SNPs que faltan mejora la precisión y la eficiencia predictivas.
• AGEP_TWAS tiene implicaciones prácticas para el avance de la genómica funcional, TWAS, y la identificación de genes relacionados con rasgos complejos.