使用机器学习预测酵母表型景观的自然变化
Sakshi Khaiwal1, Matteo De Chiara2, Benjamin P Barré2
1CNRS, INSERM, IRCAN, Côte d'Azur University, Nice, France. sakshi.KHAIWAL@univ-cotedazur.fr.
Molecular systems biology
|September 1, 2025
概括
机器学习模型通过分析基因组数据准确预测酵母中的生物特征. 基因破坏和存在/缺席是关键预测因素,突出了辅助基因组在表型确定中的作用.
科学领域:
- 基因组学
- 系统生物学
- 计算生物学
背景情况:
- 生物特征源于复杂的遗传和环境相互作用,使预测变得复杂.
- 从基因型预测表型是生物学中的一个重大挑战.
研究的目的:
- 在Saccharomyces cerevisiae中使用机器学习 (ML) 模型探索表型预测.
- 从基因组和基因表达数据预测223个特征的ML模型进行基准测试.
主要方法:
- 使用线性和非线性模型的机器学习管道.
- 作为表现最好的机器.
- 分析了1011种酵母菌株的基因型和基因表达数据.
主要成果:
- 梯度提升机实现了最好的预测准确性.
- 基因功能障碍得分和基因存在/缺席是显著的预测因素.
- 预测准确度因表型而异,抗压性比增长更可预测.
结论:
- 机器学习有效地解释了遗传变异对表型的功能影响.
- 辅助基因组在控制酵母表型方面发挥着重要作用.
- 基因组信息可以有效地在相关的表型中转移.


