logo móvil
Contáctanos

Inferencia de Aprendizaje Automático de Redes Regulatorias Genéticas en Semillas en Desarrollo

Autores: Tucci, Albert; Flores-Vergara, Miguel A.; Franks, Robert G.

Idioma: Inglés

Editor: MDPI

Año: 2024

Descargar PDF

Acceso abierto

Artículo científico
2024

Inferencia de Aprendizaje Automático de Redes Regulatorias Genéticas en Semillas en Desarrollo


Categoría

Ciencias Agrícolas y Biológicas

Subcategoría

Botánica

Palabras clave

Avance evolutivo
Semilla de angiosperma
Barreras reproductivas
Especiación
Mecanismos de regulación genética
Inferencia de GRN

Licencia

CC BY-SA – Atribución – Compartir Igual

Consultas: 6

Citaciones: Sin citaciones


Descripción
La semilla de angiosperma representa un avance evolutivo crítico que ha demostrado impulsar el éxito reproductivo y la radiación de las plantas con flores. Las semillas promueven la rápida diversificación de las angiospermas al establecer barreras reproductivas postcigóticas, como la inviabilidad de semillas híbridas. Mientras que las barreras precigóticas a la reproducción tienden a ser transitorias, las barreras postcigóticas son a menudo permanentes y, por lo tanto, pueden desempeñar un papel fundamental en la facilitación de la especiación. Esta propiedad de la semilla de angiosperma se ejemplifica en el género. Con el fin de profundizar en la comprensión de los mecanismos de regulación génica importantes en la semilla, realizamos un análisis de inferencia de redes de regulación génica (GRN) utilizando datos de RNA-seq en series temporales de semillas híbridas en desarrollo de un cruce viable entre y . La inferencia de GRN tiene la capacidad de identificar mecanismos regulatorios activos en una muestra y resaltar genes de potencial importancia biológica. En nuestro caso, la inferencia de GRN también proporcionó la oportunidad de descubrir relaciones regulatorias activas y generar un conjunto de referencia de regulaciones génicas putativas. Implementamos dos algoritmos de inferencia de GRN: RTP-STAR y KBoost, en tres subconjuntos diferentes de nuestro conjunto de datos transcriptómicos. Si bien los dos algoritmos produjeron GRN con diferentes regulaciones y topologías al trabajar con el mismo subconjunto de datos, todavía hubo una superposición significativa en las regulaciones génicas específicas que inferieron, y ambos identificaron posibles nuevos mecanismos regulatorios que merecen una investigación adicional.

Otros recursos que podrían interesarte

Temas Virtualpro