La genètica moderna ha desenvolupat un mètode potent anomenat selecció genòmica que utilitza les dades contingudes en els genomes de plantes i animals per millorar la reproducció.
La selecció genòmica permet predir el potencial genètic d'un individu per a les qualitats desitjades, com ara la resistència a les malalties, el rendiment o la qualitat, mitjançant l'examen de les diferències de seqüència d'ADN entre individus.
Aquestes dades genètiques ajuden a prendre decisions millor informades, accelerar el procés de selecció i crear programes de millora més efectius i fructífers.
En aquesta interessant àrea de la genètica, màquina d'aprenentatge ha anat creant meravelles i potenciant el camp. Aprofundim i aprenem sobre l'aprenentatge automàtic en la selecció genòmica.
Què és exactament la selecció genòmica?
La selecció genòmica és una tècnica utilitzada en la cria d'animals i plantes per predir el rendiment d'un individu en funció de la seva composició genètica.
Implica mirar l'ADN de les persones per trobar marcadors concrets connectats amb característiques desitjables.
Els investigadors poden determinar el potencial genètic d'una persona per a característiques com la resistència a les malalties, el rendiment o la qualitat mitjançant l'anàlisi d'aquests marcadors a tot el genoma.
Els criadors poden predir el rendiment de la descendència amb més precisió gràcies a la selecció genòmica sense necessitat d'avaluacions fenotípiques costoses i que requereixen temps.
En permetre als criadors triar individus amb el millor potencial genètic per als programes de millora, aquest mètode ajuda a accelerar el procés de cria permetent una millora més eficaç i focalitzada dels trets desitjats en poblacions vegetals i animals.
Obtenció de plantes mitjançant selecció genòmica
La millora vegetal ha experimentat una revolució gràcies a la selecció genòmica, que ha accelerat el procés i augmentat els rendiments dels cultius.
Però per abordar els problemes imminents provocats pel canvi climàtic, cal més desenvolupament.
Per resoldre-ho, els investigadors estan utilitzant pangenomes i enfocaments d'aprenentatge automàtic d'avantguarda en la selecció genòmica.
Tot el material genòmic d'una espècie, també conegut com a pangenoma, permet una comprensió completa de la variació genètica.
Podem obrir el camí per a la millora dels cultius i mitigar els efectes perjudicials del canvi climàtic sobre l'agricultura mirant exemples de la millora de cultius, comprenent les limitacions de l'aprenentatge automàtic i destacant la promesa d'aquestes tècniques.
Pangenomes de plantes: revelant la diversitat genòmica
Tradicionalment, els conjunts de genoma de referència única han estat el focus principal de la selecció genòmica, però ara els pangenomes s'estan fent més freqüents. Els pangenomes vegetals, més que els conjunts de genomes individuals, reflecteixen el material genètic d'una espècie o família.
Es revelen variants gèniques significatives, incloses les no incloses en el conjunt de referència. Per a diversos cultius, s'han creat pangenomes, que il·luminen la història de la domesticació i la reproducció de plantes.
La seva combinació amb la selecció genètica és només parcialment efectiva.
Els criadors poden utilitzar una varietat més àmplia de marcadors genètics, millorant la precisió de la predicció i capturant totes les connexions potencials, combinant pangenomes en la selecció genòmica.
Selecció genòmica basada en l'aprenentatge automàtic
Els enfocaments tradicionals de selecció genòmica tenen dificultats per abordar efectes no additius com l'epistasi, la impressió genòmica i les interaccions del genotip. En simular aquests impactes, els enfocaments d'aprenentatge automàtic ofereixen respostes viables.
Estudis recents han utilitzat mètodes d'aprenentatge automàtic en la selecció genòmica, amb resultats que oscil·len entre conjunts de dades i cultius.
Algorismes d’aprenentatge automàtic són capaços de manejar representacions de dades complicades, com ara fenotips mixtes i interaccions entre fenotips o genotips.
Per exemple, s'han utilitzat algorismes d'aprenentatge automàtic per predir les característiques de producció i qualitat de la fruita en cultius poliploides com ara les maduixes i els nabius.
Tot i que aquests sistemes tenen un gran potencial, entendre la seva interpretabilitat i ajustar els hiperparàmetres són fonamentals per a una aplicació efectiva.
Diferents mètodes d'aprenentatge automàtic
En els estudis de predicció genòmica, l'ús de tècniques d'aprenentatge automàtic està creixent. Aquestes tècniques es poden separar en maneres d'aprenentatge supervisat i no supervisat.
Els mètodes d'aprenentatge supervisat són especialment útils, ja que poden descobrir patrons dades etiquetades i preveure els resultats.
Tot i que diversos estudis han examinat l'efectivitat de la predicció d'enfocaments específics d'aprenentatge automàtic, no hi ha investigacions que comparen diversos conjunts de mètodes.
És fonamental entendre quines agrupacions de mètodes funcionen millor i ponderar els seus beneficis i inconvenients en comparació amb les maneres convencionals.
Mètodes de predicció genòmica prometedors
Models lineals mixts
En predicció genòmica, els models lineals mixtes convencionals han demostrat ser fiables i útils. Per tenir en compte la variació genètica a la població, aquests models integren efectes tant fixos com aleatoris.
Aquests algorismes poden predir amb precisió els valors de reproducció genòmica tenint en compte la relació individual.
A causa del seu rendiment predictiu competitiu, eficiència computacional i senzillesa, els models lineals mixtes s'utilitzen àmpliament en la cria de plantes i animals. Requereixen menys paràmetres d'ajust que altres enfocaments, el que els fa adequats per a la selecció genòmica.
Regressió regularitzada
Per a la predicció del genoma, els mètodes de regressió regularitzats com LASSO (operador de selecció i contracció mínima absoluta) i la regressió de cresta són eines efectives.
Aquestes tècniques permeten la selecció i regularització de variables afegint un terme de penalització al model de regressió convencional.
Aquests mètodes gestionen eficaçment dades d'alta dimensió i milloren la precisió de la predicció reduint els marcadors menys significatius cap a zero.
Les tècniques de regressió regularitzades són opcions atractives per a la selecció genòmica tant en estudis de reproducció de plantes com d'animals perquè aconsegueixen un compromís entre la simplicitat i l'eficàcia.
Boscos aleatoris
Una tècnica d'aprenentatge conjunt anomenada boscos aleatoris fa prediccions mitjançant arbres de decisió. Els boscos aleatoris es poden utilitzar per avaluar dades genòmiques d'alta dimensió en el context de la predicció genòmica.
Amb aquest mètode, es construeixen un gran nombre d'arbres de decisió, cadascun entrenat en un subconjunt aleatori de marcadors, i les seves prediccions es combinen per produir una única previsió.
Els boscos aleatoris són una eina útil per a la selecció genòmica perquè poden identificar interaccions intricades i correlacions no lineals entre característiques i marcadors.
Els boscos aleatoris també són resistents als valors atípics i poden acollir dades que falten, la qual cosa augmenta el seu valor per a la predicció genòmica.
ANNs (xarxes neuronals artificials)
Artificial xarxes neuronals, de vegades anomenades ANNs o xarxes neuronals, són models computacionals que s'inspiren en l'arquitectura neuronal del cervell humà.
A causa de la seva capacitat per reconèixer patrons i relacions complexos en les dades, les ANN s'han tornat cada cop més freqüents en la predicció genètica.
Les ANN poden registrar interaccions no lineals entre marcadors i atributs a causa de la seva arquitectura multicapa i els nodes interconnectats (neurones). Aquestes xarxes necessiten una formació exhaustiva utilitzant grans conjunts de dades i un ajust rigorós dels hiperparàmetres.
En revelar enllaços genètics complexos i identificar patrons ocults en dades genòmiques, les ANN tenen el potencial d'augmentar la precisió de la predicció genòmica.
Trets de destinació i importància de les dades
Els estudis mostren que les dades particulars i els atributs de l'objectiu que s'estan avaluant tenen un impacte en el rendiment de predicció i els costos computacionals dels enfocaments d'aprenentatge automàtic.
Com es pot observar, afegir complexitat als enfocaments regularitzats tradicionals pot donar lloc a grans costos informàtics sense augmentar necessàriament la precisió de la predicció.
Inversions en eficiència computacional
Donada la dependència dels conjunts de dades i dels atributs objectiu per al rendiment predictiu i la càrrega computacional, és fonamental invertir en la millora de l'eficiència computacional dels algorismes d'aprenentatge automàtic i dels recursos informàtics.
Això ajudaria a millorar la precisió i l'eficiència de la selecció genòmica.
Conclusió: què depara el futur?
L'aprenentatge automàtic en selecció genòmica sembla tenir un futur brillant. Les tècniques d'aprenentatge automàtic tenen el potencial de canviar completament la predicció genètica a mesura que la tecnologia es desenvolupa i els recursos informàtics es fan més àmpliament disponibles.
Aquests mètodes permeten el maneig de dades genòmiques d'alta dimensió, el descobriment de patrons complexos i un augment de la precisió de predicció.
En facilitar una selecció més ràpida i precisa d'individus amb les característiques desitjades, la combinació d'algoritmes d'aprenentatge automàtic amb selecció genòmica ofereix la possibilitat de millorar els programes de millora.
Per millorar aquestes tècniques, tractar problemes computacionals i investigar la seva aplicació a diferents espècies vegetals i animals, cal més estudi.
Esperem que l'aprenentatge automàtic sigui cada cop més important en la selecció genòmica a mesura que es desenvolupa la tecnologia, accelerant el ritme de progrés genètic i ajudant el sector agrícola.
Deixa un comentari