Estadísticas resumidas y computación bayesiana aproximada son comparables a las redes neuronales convolucionales para...

Área de la Ciencia:

• Genética de poblaciones
• Genómica
• Biología evolutiva

Sus antecedentes:

• La detección de la selección positiva es crucial en genética de poblaciones.
• Los barridos selectivos duros, impulsados por una nueva mutación beneficiosa, son un modelo clave.
• Los métodos existentes resumen datos genómicos como el espectro de frecuencias de sitios y el desequilibrio de ligamiento.

Objetivo del estudio:

• Investigar si el aprendizaje automático puede encontrar firmas novedosas de barridos selectivos duros.
• Comparar modelos de aprendizaje automático con estadísticas resumidas establecidas para inferir el momento de los barridos.
• Evaluar si existen señales por descubrir en los datos genómicos.

Principales métodos:

• Se utilizaron aproximadamente 200.000 simulaciones en 5 escenarios demográficos.
• Se entrenaron modelos de aprendizaje automático con datos genotípicos brutos.
• Se compararon las predicciones de aprendizaje automático con las predicciones de estadísticas resumidas comunes.
• Se centró en inferir el tiempo de fijación (t_f) y la edad del barrido (t_a).

Principales resultados:

• Los modelos de aprendizaje automático no lograron una mayor precisión de predicción para el tiempo de fijación (t_f) en comparación con las estadísticas resumidas.
• No se observó una mejora significativa al usar datos genotípicos brutos en comparación con las estadísticas resumidas.
• Esto indica señales limitadas por descubrir en los datos probados.

Conclusiones:

• Es probable que queden pocas señales por descubrir de barridos selectivos duros en datos genotípicos de un solo punto temporal y una sola población.
• Las estadísticas resumidas tradicionales siguen siendo efectivas para detectar barridos duros e inferir tiempos de fijación.
• La investigación futura puede necesitar explorar datos o modelos más complejos para encontrar señales novedosas.