Un nuevo marco de optimización multiobjetivo utilizando NSGA-II para la inferencia de redes de coexpresión génica

Área de la Ciencia:

• Bioinformática
• Biología Computacional
• Biología de Sistemas

Sus antecedentes:

• Las redes de coexpresión génica (GCN) son cruciales para comprender la función génica y las vías a partir de datos transcriptómicos.
• Los datos biológicos ruidosos a menudo conducen a GCN poco confiables con conexiones espurias y estructuras poco realistas.
• Los métodos existentes luchan por equilibrar eficazmente las propiedades de la red, como la esparsidad y la modularidad.

Objetivo del estudio:

• Introducir un novedoso marco de optimización multiobjetivo para refinar la selección de bordes en GCN.
• Mejorar la confiabilidad y la plausibilidad biológica de las GCN derivadas de datos transcriptómicos.
• Optimizar simultáneamente múltiples características de la red, incluida la esparsidad, la modularidad y la topología libre de escala.

Principales métodos:

• Se utilizó la Transformación de Estabilización de Varianza (VST) para la normalización de datos de RNA-seq.
• Se empleó la correlación de rangos de Spearman para una estimación robusta de la coexpresión.
• Se integró el Algoritmo Genético II de Clasificación No Dominada (NSGA-II) para la optimización de redes multiobjetivo.
• Se incorporaron pruebas de permutación y remuestreo de bootstrap para la evaluación de la significancia y la estabilidad.

Principales resultados:

• El enfoque propuesto basado en NSGA-II generó GCN más dispersas y modulares en comparación con WGCNA y ARACNE.
• Las redes optimizadas exhibieron una mejor adherencia a las propiedades de redes libres de escala en conjuntos de datos de microarrays y RNA-seq.
• El método demostró un rendimiento robusto en conjuntos de datos transcriptómicos heterogéneos (GSE10245 y GSE102349).

Conclusiones:

• La estrategia impulsada por la optimización proporciona un método robusto para construir GCN de alta calidad.
• Este enfoque ofrece un avance significativo para estudios genómicos integradores y el descubrimiento de biomarcadores.
• El marco tiene el potencial de mejorar la modelización de mecanismos de enfermedades complejas.