Machine learning para la selección de genes implicados en el desarrollo de Arabidopsis thaliana utilizando datos de expresión génica

Las plantas desarrollan nuevos órganos y tejidos a lo largo de su ciclo de vida. Gracias a la tecnología de microarrays de ADN se ha podido indagar en los mecanismos transcripcionales asociados al desarrollo de estas estructuras en la especie modelo Arabidopsis thaliana. Sin embargo, los estudios publicados analizan un reducido número de muestras para la selección de genes de desarrollo según la expresión específica de éstos en los distintos tejidos de la planta, sin tener en cuenta relaciones más complejas entre los genes. En este trabajo se propone el uso de técnicas de machine learning para la selección de genes relevantes en el desarrollo de las estructuras de la planta A. thaliana. Para ello, se generó una base de datos con más de 500 perfiles de expresión correspondientes a semillas, plántulas, raíces, hojas y flores. Sobre estos datos se utilizaron tres métodos de machine learning para la selección de genes según su importancia en modelos de clasificación: FP-RF, RF-RFE SVM-RFE. Además, se evaluó la capacidad del método autoencoder para la representación de estos datos en una dimensión reducida. Los grupos de genes seleccionados por ML mostraron un alto rendimiento en la clasificación de las muestras por RF, SVM y ANN. Asimismo, el análisis funcional in silico de estos genes reveló su implicancia en los procesos de desarrollo de la planta. Estos resultados ponen de manifiesto la potencia de los algoritmos de ML para el estudio del desarrollo de las plantas a partir de datos de expresión génica.

Grantor dc:publisher

Universitat Oberta de Catalunya (UOC)

Year dc:date.issued

2019

Author dc:creator

• Saura Sánchez, Maria Teresa

• machine learning
• Arabidopsis thaliana
• microarrays
• aprenentatge automàtic
• aprendizaje automático

Statement dc:rights

• CC BY-NC-ND

Licence dc:rights.uri

• http://creativecommons.org/licenses/by-nc-nd/3.0/es/

Language dc:language.iso

spa

Handle dc:identifier.uri

http://hdl.handle.net/10609/91266

OAI identifier oai:identifier

oai:openaccess.uoc.edu:10609/91266