La genética moderna ha desarrollado un poderoso método llamado selección genómica que utiliza los datos contenidos en los genomas de plantas y animales para mejorar la reproducción.
La selección genómica permite la predicción del potencial genético de un individuo para las cualidades deseadas, como la resistencia a enfermedades, el rendimiento o la calidad, al examinar las diferencias de secuencia de ADN entre individuos.
Estos datos genéticos ayudan a tomar decisiones mejor informadas, acelerar el proceso de selección y crear programas de mejoramiento más efectivos y fructíferos.
En esta interesante área de la genética, máquina de aprendizaje ha estado creando maravillas y mejorando el campo. Profundicemos y aprendamos sobre el aprendizaje automático en la selección genómica.
¿Qué es exactamente la selección genómica?
La selección genómica es una técnica utilizada en la cría de animales y plantas para pronosticar el rendimiento de un individuo en función de su composición genética.
Implica mirar el ADN de las personas para encontrar marcadores particulares conectados con características deseables.
Los investigadores pueden determinar el potencial genético de una persona para características como la resistencia a enfermedades, el rendimiento o la calidad mediante el análisis de estos marcadores en todo el genoma.
Los criadores pueden pronosticar el rendimiento de la descendencia con mayor precisión gracias a la selección genómica sin necesidad de evaluaciones fenotípicas costosas y que requieren mucho tiempo.
Al permitir que los mejoradores elijan individuos con el mejor potencial genético para los programas de mejoramiento, este método ayuda a acelerar el proceso de mejoramiento al permitir una mejora más efectiva y enfocada de los rasgos deseados en las poblaciones de plantas y animales.
Fitomejoramiento mediante selección genómica
El fitomejoramiento ha sufrido una revolución gracias a la selección genómica, que ha acelerado el proceso y aumentado el rendimiento de los cultivos.
Pero para abordar los problemas que se avecinan provocados por el cambio climático, se necesita más desarrollo.
Para resolver esto, los investigadores están utilizando pangenomas y enfoques de aprendizaje automático de vanguardia en la selección genómica.
Todo el material genómico de una especie, también conocido como pangenoma, permite una comprensión completa de la variación genética.
Podemos abrir el camino para la mejora de cultivos y mitigar los efectos perjudiciales del cambio climático en la agricultura al observar ejemplos de mejoramiento de cultivos, comprender las limitaciones del aprendizaje automático y resaltar la promesa de estas técnicas.
Pangenomas de plantas: revelando la diversidad genómica
Tradicionalmente, los ensamblajes de genomas de referencia única han sido el foco principal de la selección genómica, pero ahora los pangenomas son cada vez más frecuentes. Los pangenomas vegetales, en lugar de conjuntos de genomas individuales, reflejan el material genético de una especie o familia.
Las variantes genéticas significativas, incluidas las no incluidas en el ensamblaje de referencia, son reveladas por ellos. Para varios cultivos, se han creado pangenomas, iluminando la historia de la domesticación y mejoramiento de plantas.
Su combinación con la selección genética todavía es solo parcialmente efectiva.
Los criadores pueden utilizar una variedad más amplia de marcadores genéticos, mejorando la precisión de la predicción y capturando todas las conexiones potenciales, mediante la combinación de pangenomas en la selección genómica.
Selección genómica basada en aprendizaje automático
Los enfoques tradicionales de selección genómica tienen dificultades para abordar los efectos no aditivos como la epistasis, la impronta genómica y las interacciones genotípicas. Al simular estos impactos, los enfoques de aprendizaje automático brindan respuestas viables.
Estudios recientes han utilizado métodos de aprendizaje automático en la selección genómica, con resultados que varían entre conjuntos de datos y cultivos.
Algoritmos de aprendizaje automático son capaces de manejar representaciones de datos complicadas, como fenotipos mixtos e interacciones entre fenotipos o genotipos.
Por ejemplo, se han utilizado algoritmos de aprendizaje automático para predecir las características de producción y calidad de la fruta en cultivos poliploides como las fresas y los arándanos.
Si bien estos sistemas tienen un gran potencial, comprender su interpretabilidad y ajustar los hiperparámetros es fundamental para una aplicación efectiva.
Diferentes métodos de aprendizaje automático
En los estudios de predicción genómica, el uso de técnicas de aprendizaje automático está creciendo. Estas técnicas se pueden separar en formas de aprendizaje supervisado y no supervisado.
Los métodos de aprendizaje supervisado son particularmente útiles ya que pueden descubrir patrones en datos etiquetados y anticipar los resultados.
Si bien varios estudios han examinado la efectividad de la predicción de enfoques específicos de aprendizaje automático, faltan investigaciones que comparen diversos conjuntos de métodos.
Es fundamental comprender qué grupos de métodos funcionan mejor y sopesar sus ventajas e inconvenientes en comparación con las formas convencionales.
Métodos de predicción genómica prometedores
Modelos mixtos lineales
En la predicción genómica, los modelos mixtos lineales convencionales han demostrado ser confiables y útiles. Para dar cuenta de la variación genética en la población, estos modelos integran efectos fijos y aleatorios.
Estos algoritmos pueden predecir con precisión los valores de reproducción genómica teniendo en cuenta la relación individual.
Debido a su desempeño predictivo competitivo, eficiencia computacional y simplicidad, los modelos mixtos lineales se utilizan ampliamente en la reproducción de plantas y animales. Requieren menos parámetros de ajuste que otros enfoques, lo que los hace adecuados para la selección genómica.
Regresión regularizada
Para la predicción del genoma, los métodos de regresión regularizados como LASSO (operador de selección y contracción mínima absoluta) y la regresión de crestas son herramientas eficaces.
Estas técnicas permiten la selección y regularización de variables al agregar un término de penalización al modelo de regresión convencional.
Estos métodos manejan eficientemente datos de alta dimensión y mejoran la precisión de la predicción al reducir los marcadores menos significativos a cero.
Las técnicas de regresión regularizadas son opciones atractivas para la selección genómica en los estudios de mejoramiento de plantas y animales porque logran un compromiso entre la simplicidad y la eficacia.
Bosques al azar
Una técnica de aprendizaje por conjuntos llamada bosques aleatorios hace predicciones utilizando árboles de decisión. Los bosques aleatorios se pueden utilizar para evaluar datos genómicos de alta dimensión en el contexto de la predicción genómica.
Con este método, se construye una gran cantidad de árboles de decisión, cada uno entrenado en un subconjunto aleatorio de marcadores, y sus predicciones se combinan para producir un solo pronóstico.
Los bosques aleatorios son una herramienta útil para la selección genómica porque pueden identificar interacciones complejas y correlaciones no lineales entre características y marcadores.
Los bosques aleatorios también son resistentes a los valores atípicos y pueden adaptarse a los datos faltantes, lo que aumenta su valor para la predicción genómica.
ANN (redes neuronales artificiales)
Inteligencia redes neuronales, a veces denominadas ANN o redes neuronales, son modelos computacionales que se inspiran en la arquitectura neuronal del cerebro humano.
Debido a su capacidad para reconocer patrones y relaciones complejos en los datos, las ANN se han vuelto cada vez más comunes en la predicción genética.
Las ANN pueden registrar interacciones no lineales entre marcadores y atributos debido a su arquitectura multicapa y nodos interconectados (neuronas). Estas redes necesitan un entrenamiento exhaustivo utilizando grandes conjuntos de datos y un riguroso ajuste de hiperparámetros.
Al revelar enlaces genéticos complejos e identificar patrones ocultos en los datos genómicos, las ANN tienen el potencial de aumentar la precisión de la predicción genómica.
Rasgos objetivo e importancia de los datos
Los estudios muestran que los datos particulares y los atributos de destino que se evalúan tienen un impacto en el rendimiento de la predicción y los costos computacionales de los enfoques de aprendizaje automático.
Como se puede observar, agregar complejidad a los enfoques regularizados tradicionales puede resultar en grandes costos de computación sin aumentar necesariamente la precisión de la predicción.
Inversiones en Eficiencia Computacional
Dada la dependencia de conjuntos de datos y atributos de destino para el rendimiento predictivo y la carga computacional, es fundamental invertir en mejorar la eficiencia computacional de los algoritmos de aprendizaje automático y los recursos informáticos.
Esto ayudaría a mejorar la precisión y eficiencia de la selección genómica.
Conclusión: ¿Qué nos depara el futuro?
El aprendizaje automático en la selección genómica parece tener un futuro brillante. Las técnicas de aprendizaje automático tienen el potencial de cambiar por completo la predicción genética a medida que se desarrolla la tecnología y los recursos informáticos están más disponibles.
Estos métodos permiten el manejo de datos genómicos de alta dimensión, el descubrimiento de patrones intrincados y un aumento en la precisión de la predicción.
Al facilitar una selección más rápida y precisa de individuos con las características deseadas, la combinación de algoritmos de aprendizaje automático con selección genómica ofrece la posibilidad de mejorar los programas de reproducción.
Se requieren más estudios para mejorar estas técnicas, abordar problemas computacionales e investigar su aplicación a diferentes especies de plantas y animales.
Esperamos que el aprendizaje automático se vuelva cada vez más importante en la selección genómica a medida que se desarrolle la tecnología, acelerando la tasa de progreso genético y ayudando al sector agrícola.
Deje un comentario