Un nuevo algoritmo para estudios de asociación de genoma amplio multivariado basado en evolución diferencial y máquinas de aprendizaje extremo
Autores: Álvarez Gutiérrez, David; Sánchez Lasheras, Fernando; Martín Sánchez, Vicente; Suárez Gómez, Sergio Luis; Moreno, Víctor; Moratalla-Navarro, Ferrán; Molina de la Torre, Antonio José
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Un nuevo algoritmo para estudios de asociación de genoma amplio multivariado basado en evolución diferencial y máquinas de aprendizaje extremo
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Estudios de asociación a nivel del genoma
Variantes genéticas
Metodologías de aprendizaje automático
Máquinas de aprendizaje extremo
Evolución diferencial
Cáncer colorrectal
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 27
Citaciones: Sin citaciones
Los estudios de asociación de genoma completo (GWAS) son estudios observacionales de un gran conjunto de variantes genéticas, cuyo objetivo es encontrar aquellas que están vinculadas a cierto rasgo o enfermedad. Debido a la naturaleza multivariada de este tipo de estudios, ya se han aplicado metodologías de aprendizaje automático en ellos, mostrando un buen rendimiento. Este trabajo presenta una nueva metodología para GWAS que hace uso de máquinas de aprendizaje extremo y evolución diferencial. La metodología propuesta fue probada con la ayuda de la información genética (370,750 polimorfismos de un solo nucleótido) de 2049 individuos, 1076 de los cuales sufren de cáncer colorrectal. Se probó la posible relación de 10 diferentes vías con esta enfermedad. Los resultados logrados mostraron que la metodología propuesta es adecuada para detectar vías relevantes para el rasgo bajo análisis con un menor costo computacional que otras metodologías de aprendizaje automático previamente propuestas.
Descripción
Los estudios de asociación de genoma completo (GWAS) son estudios observacionales de un gran conjunto de variantes genéticas, cuyo objetivo es encontrar aquellas que están vinculadas a cierto rasgo o enfermedad. Debido a la naturaleza multivariada de este tipo de estudios, ya se han aplicado metodologías de aprendizaje automático en ellos, mostrando un buen rendimiento. Este trabajo presenta una nueva metodología para GWAS que hace uso de máquinas de aprendizaje extremo y evolución diferencial. La metodología propuesta fue probada con la ayuda de la información genética (370,750 polimorfismos de un solo nucleótido) de 2049 individuos, 1076 de los cuales sufren de cáncer colorrectal. Se probó la posible relación de 10 diferentes vías con esta enfermedad. Los resultados logrados mostraron que la metodología propuesta es adecuada para detectar vías relevantes para el rasgo bajo análisis con un menor costo computacional que otras metodologías de aprendizaje automático previamente propuestas.