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

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.