Distancia de compresión normalizada para la clasificación del ADN

Área de la Ciencia:

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

Sus antecedentes:

• El análisis de la secuencia genómica es crucial para comprender los sistemas biológicos, incluido el microbioma humano.
• La Distancia de Compresión Normalizada (NCD) es una técnica de bajos recursos que se aproxima a la complejidad de Kolmogorov, mostrando potencial más allá de la clasificación del texto.
• Las herramientas existentes como la búsqueda de secuencias Many-against-Many (MMseqs) y Kraken2 son efectivas, pero pueden consumir muchos recursos.

Objetivo del estudio:

• Explorar la aplicación de un NCD basado en gzip para el etiquetado genético de marcos de lectura abiertos (ORF) y la clasificación taxonómica de lecturas genómicas cortas.
• Evaluar el rendimiento de las ENT como una alternativa a las redes neuronales profundas (DNN) y las herramientas tradicionales de análisis de secuencias en genómica.
• Para evaluar la efectividad de las NCD en tareas de clasificación tanto dentro como fuera de la distribución.

Principales métodos:

• Implementación de un algoritmo de distancia de compresión normalizada (NCD) basado en gzip.
• Aplicación de la NCD para el etiquetado genético de marcos de lectura abiertos (ORF).
• Utilizando NCD para la clasificación taxonómica de lecturas de secuenciación corta.

Principales resultados:

• Logró 0.89 precisión y 0.88 macro-F1 para la clasificación de genes humanos, superando a otros métodos de enfermedades no transmisibles.
• Demostró una precisión de clasificación superior en comparación con las herramientas de alineación y coincidencia exacta en el etiquetado de genes procariotas fuera de distribución.
• Métodos de incrustación de secuencias superados en tareas de etiquetado de genes procariotas en distribución.

Conclusiones:

• Los enfoques basados en la compresión, específicamente las ENT, ofrecen una alternativa efectiva para la clasificación de secuencias genómicas.
• La NCD muestra una fuerza particular en entornos de datos bajos y escenarios fuera de distribución.
• La complejidad computacional es una limitación para conjuntos de datos extremadamente grandes, pero la NCD sigue siendo una estrategia viable de bajos recursos.