A xenética moderna desenvolveu un poderoso método chamado selección xenómica que utiliza os datos contidos nos xenomas de plantas e animais para mellorar a reprodución.
A selección xenómica permite predicir o potencial xenético dun individuo para as calidades desexadas, como a resistencia ás enfermidades, o rendemento ou a calidade, ao examinar as diferenzas de secuencias de ADN entre os individuos.
Estes datos xenéticos axudan a tomar decisións mellor informadas, a acelerar o proceso de selección e a crear programas de reprodución máis eficaces e fructíferos.
Nesta interesante área da xenética, aprendizaxe de máquina foi creando marabillas e potenciando o campo. Afondemos e aprendemos sobre a aprendizaxe automática na selección xenómica.
Que é exactamente a selección xenómica?
A selección xenómica é unha técnica empregada na creación de animais e plantas para prever o rendemento dun individuo en función da súa composición xenética.
Implica mirar o ADN das persoas para atopar marcadores particulares relacionados coas características desexables.
Os investigadores poden determinar o potencial xenético dunha persoa para características como a resistencia ás enfermidades, o rendemento ou a calidade analizando estes marcadores en todo o xenoma.
Os criadores poden prever o rendemento da descendencia con máis precisión grazas á selección xenómica sen necesidade de avaliacións fenotípicas caras e lentas.
Ao permitir aos criadores elixir individuos co mellor potencial xenético para os programas de reprodución, este método axuda a acelerar o proceso de reprodución ao permitir unha mellora máis eficaz e enfocada dos trazos desexados nas poboacións vexetais e animais.
Selección de plantas mediante selección xenómica
O cultivo de plantas experimentou unha revolución grazas á selección xenómica, que acelerou o proceso e aumentou o rendemento dos cultivos.
Pero para abordar os próximos problemas provocados polo cambio climático, é necesario máis desenvolvemento.
Para resolver isto, os investigadores están a utilizar panxenomas e enfoques de aprendizaxe automática de vangarda na selección xenómica.
Todo o material xenómico dunha especie, tamén coñecido como panxenoma, permite unha comprensión completa da variación xenética.
Podemos abrir o camiño para a mellora dos cultivos e mitigar os efectos prexudiciais do cambio climático na agricultura observando exemplos do cultivo de cultivos, comprendendo as limitacións da aprendizaxe automática e destacando a promesa destas técnicas.
Panxenomas das plantas: revelando a diversidade xenómica
Tradicionalmente, os conxuntos de xenomas de referencia única foron o foco principal da selección xenómica, pero agora os panxenomas están a ser máis frecuentes. Os panxenomas vexetais, en lugar de conxuntos de xenomas individuais, reflicten o material xenético dunha especie ou familia.
Eles revelan variantes xenéticas significativas, incluídas as non incluídas no conxunto de referencia. Para varios cultivos, creáronse panxenomas, iluminando a historia da domesticación e reprodución das plantas.
A súa combinación coa selección xenética é aínda só parcialmente eficaz.
Os criadores poden usar unha variedade máis ampla de marcadores xenéticos, mellorando a precisión da predición e capturando todas as conexións potenciais, combinando panxenomas na selección xenómica.
Selección xenómica baseada na aprendizaxe automática
Os enfoques tradicionais de selección xenómica teñen dificultades para abordar os efectos non aditivos como a epistasis, a impresión xenómica e as interaccións xenotípicas. Ao simular estes impactos, os enfoques de aprendizaxe automática proporcionan respostas viables.
Estudos recentes utilizaron métodos de aprendizaxe automática na selección xenómica, con resultados que oscilan entre conxuntos de datos e cultivos.
Algoritmos de aprendizaxe automática son capaces de manexar representacións de datos complicadas, como fenotipos mixtos e interaccións entre fenotipos ou xenotipos.
Por exemplo, utilizáronse algoritmos de aprendizaxe automática para predicir as características de produción e calidade de froitas en cultivos poliploides como amorodos e arándanos.
Aínda que estes sistemas teñen un gran potencial, comprender a súa interpretabilidade e axustar os hiperparámetros son fundamentais para unha aplicación eficaz.
Diferentes métodos de aprendizaxe automática
Nos estudos de predición xenómica, o uso de técnicas de aprendizaxe automática está crecendo. Estas técnicas pódense separar en formas de aprendizaxe supervisada e non supervisada.
Os métodos de aprendizaxe supervisada son especialmente útiles xa que poden descubrir patróns datos etiquetados e prever os resultados.
Aínda que varios estudos examinaron a efectividade da predición de enfoques específicos de aprendizaxe automática, faltan investigacións que comparen diversos conxuntos de métodos.
É fundamental comprender que agrupacións de métodos funcionan mellor e sopesar os seus beneficios e inconvenientes en comparación cos métodos convencionais.
Prometedores métodos de predición xenómica
Modelos lineais mixtos
Na predición xenómica, os modelos mixtos lineais convencionais demostraron ser fiables e útiles. Para dar conta da variación xenética na poboación, estes modelos integran efectos fixos e aleatorios.
Estes algoritmos poden predicir con precisión os valores xenómicos de reprodución tendo en conta a relación individual.
Debido ao seu rendemento predictivo competitivo, eficiencia computacional e sinxeleza, os modelos mixtos lineais utilízanse amplamente na creación de plantas e animais. Requiren menos parámetros de axuste que outros enfoques, polo que son axeitados para a selección xenómica.
Regresión regularizada
Para a predición do xenoma, os métodos de regresión regularizados como LASSO (operador de selección e encollemento mínimo absoluto) e a regresión de crestas son ferramentas eficaces.
Estas técnicas permiten a selección e regularización de variables engadindo un termo de penalización ao modelo de regresión convencional.
Estes métodos manexan de forma eficiente datos de alta dimensión e melloran a precisión da predición ao reducir os marcadores menos significativos cara a cero.
As técnicas de regresión regularizada son opcións atractivas para a selección xenómica tanto en estudos de reprodución de plantas como de animais porque logran un compromiso entre a sinxeleza e a eficacia.
Bosques aleatorios
Unha técnica de aprendizaxe de conxunto chamada bosques aleatorios fai predicións utilizando árbores de decisión. Os bosques aleatorios pódense utilizar para avaliar datos xenómicos de alta dimensión no contexto da predición xenómica.
Con este método, constrúese un gran número de árbores de decisión, cada unha adestrada nun subconxunto aleatorio de marcadores, e as súas predicións combínanse para producir un único prognóstico.
Os bosques aleatorios son unha ferramenta útil para a selección xenómica porque poden identificar interaccións complexas e correlacións non lineais entre características e marcadores.
Os bosques aleatorios tamén son resistentes aos valores atípicos e poden acomodar datos que faltan, o que aumenta o seu valor para a predición xenómica.
ANNs (redes neuronais artificiais)
Artificial redes neuronales, ás veces denominadas ANN ou redes neuronais, son modelos computacionais que se inspiran na arquitectura neuronal do cerebro humano.
Debido á súa capacidade para recoñecer patróns e relacións intrincadas nos datos, as ANN son cada vez máis comúns na predición xenética.
As ANN poden rexistrar interaccións non lineais entre marcadores e atributos debido á súa arquitectura multicapa e aos nós interconectados (neuronas). Estas redes necesitan un adestramento completo que utilice amplos conxuntos de datos e un rigoroso axuste de hiperparámetros.
Ao revelar enlaces xenéticos complexos e identificar patróns ocultos en datos xenómicos, as ANN teñen o potencial de aumentar a precisión da predición xenómica.
Trazos obxectivo e importancia dos datos
Os estudos mostran que os datos particulares e os atributos obxectivo que se están avaliando teñen un impacto no rendemento da predición e nos custos computacionais dos enfoques de aprendizaxe automática.
Como se pode observar, engadir complexidade aos enfoques regularizados tradicionais pode producir grandes custos informáticos sen aumentar necesariamente a precisión da predición.
Investimentos en eficiencia computacional
Dada a dependencia dos conxuntos de datos e atributos obxectivo para o rendemento preditivo e a carga computacional, é fundamental investir na mellora da eficiencia computacional dos algoritmos de aprendizaxe automática e dos recursos informáticos.
Isto axudaría a mellorar a precisión e a eficiencia da selección xenómica.
Conclusión: que depara o futuro?
A aprendizaxe automática na selección xenómica parece ter un futuro brillante. As técnicas de aprendizaxe automática teñen o potencial de cambiar completamente a predición xenética a medida que se desenvolve a tecnoloxía e os recursos informáticos están máis dispoñibles.
Estes métodos permiten o manexo de datos xenómicos de alta dimensión, o descubrimento de patróns intrincados e un aumento da precisión da predición.
Ao facilitar unha selección máis rápida e precisa de individuos coas características desexadas, a combinación de algoritmos de aprendizaxe automática coa selección xenómica ofrece a posibilidade de mellorar os programas de reprodución.
Para mellorar estas técnicas, tratar problemas computacionais e investigar a súa aplicación a diferentes especies vexetais e animais, é necesario máis estudo.
Agardamos que a aprendizaxe automática sexa cada vez máis importante na selección xenómica a medida que se desenvolve a tecnoloxía, acelerando a taxa de progreso xenético e axudando ao sector agrícola.
Deixe unha resposta