陽性でラベルをつけない自然選択の半監督検出

科学分野:

• 進化的ゲノミクス
• 機械学習
• 集団遺伝学

背景:

• 自然選択によるゲノム領域の特定は進化ゲノミクスにおいて極めて重要です.
• 現在の機械学習方法は,シミュレートされたデータと明示的なラベルに依存しており,その応用は,進化の混合力を持つ現実のゲノムに限定されています.
• 一対一の戦略は複雑で 多様な進化の背景をモデル化するのに苦労します

研究 の 目的:

• 柔軟な機械学習の枠組みを開発し,ゲノムデータにおける適応的なイベント,特に選択的なスウィップを検出する.
• 明確な否定的なサンプルモデリングの必要性を回避するポジティブ・ラベルのない学習アプローチを導入する.
• 様々な進化的要因によって形成された現実的なゲノム風景における ポジティブな選択の堅実な検出を可能にする.

主な方法:

• 選択的なスイープ検出のためのポジティブ・アンラベルド・ラーニングを用いたPULSeを導入した.
• 選択的なスイープの標識された例と,標識されていないバックグラウンドデータセットを使用して,PULSeを訓練した.
• ドメインシフトを含む多様な人口,適応,混乱のシナリオでPULSeのパフォーマンスを評価しました.

主要な成果:

• PULSeは,さまざまなゲノムコンテキストで高い性能と一般化性を示しました.
• この方法は,ヨーロッパとベンガルのヒトゲノムで以前に知られている選択的掃描候補を成功裏に特定しました.
• PULSeは複雑なゲノムデータを バックグラウンドの構成に関する仮定なしに効果的に処理します

結論:

• PULSeは 適応性ゲノム領域を検出するための 強力で多用途な代替手段です
• ポジティブ・アンラベル・ラーニング・フレームワークは リアルなゲノム分析に 安定性をもたらします
• PULSeは,多様なゲノム環境と進化シナリオに一般化する可能性があります.