Cr\u00e9dito: Unsplash\/CC0 Dominio p\u00fablico <\/p>\n
Rastrear el origen del c\u00f3digo gen\u00e9tico sint\u00e9tico nunca ha sido sencillo, pero se puede hacer a trav\u00e9s de enfoques computacionales bioinform\u00e1ticos o, cada vez m\u00e1s, de aprendizaje profundo. <\/p>\n
Aunque este \u00faltimo recibe la mayor parte de la atenci\u00f3n, una nueva investigaci\u00f3n realizada por el cient\u00edfico inform\u00e1tico Todd Treangen de la Escuela de Ingenier\u00eda Brown de la Universidad de Rice se centra en si la alineaci\u00f3n de secuencias y los m\u00e9todos basados en el genoma completo pueden superar los enfoques recientes de aprendizaje profundo en esta \u00e1rea. <\/p>\n
\u00abEn cierto sentido, esto va en contra de la corriente dado que los enfoques de aprendizaje profundo han superado recientemente a los enfoques tradicionales, como BLAST\u00bb, dijo. \u00abMi objetivo con este estudio es iniciar una conversaci\u00f3n sobre c\u00f3mo combinar la experiencia de ambos dominios para lograr mejoras adicionales para este importante desaf\u00edo computacional\u00bb.<\/p>\n
Treangen, que se especializa en el desarrollo de soluciones computacionales para bioseguridad y microbios aplicaciones forenses y su equipo en Rice han presentado PlasmidHawk, un enfoque bioinform\u00e1tico que analiza secuencias de ADN para ayudar a identificar la fuente de pl\u00e1smidos modificados de inter\u00e9s.<\/p>\n
\u00abDemostramos que un enfoque basado en la alineaci\u00f3n de secuencias puede superar a un m\u00e9todo de aprendizaje profundo de la red neuronal convolucional (CNN) para la tarea espec\u00edfica de predicci\u00f3n del laboratorio de origen\u00bb, dijo.<\/p>\n
Los investigadores dirigidos por Treangen y el autor principal Qi Wang, un estudiante graduado de Rice, informaron su da como resultado un art\u00edculo de acceso abierto en Nature Communications.<\/p>\n
El software de c\u00f3digo abierto est\u00e1 disponible aqu\u00ed: gitlab.com\/treangenlab\/plasmidhawk.<\/p>\n
El programa puede ser \u00fatil no solo para rastrear correos electr\u00f3nicos potencialmente da\u00f1inos secuencias sino tambi\u00e9n para proteger la propiedad intelectual.<\/p>\n
\u00abEl objetivo es ayudar a proteger los derechos de propiedad intelectual de los contribuyentes de las secuencias o ayudar a rastrear el origen de una secuencia sint\u00e9tica si algo malo sucede\u00bb, dijo Treangen. .<\/p>\n
Treangen se\u00f1al\u00f3 un art\u00edculo reciente de alto perfil que describe una t\u00e9cnica de aprendizaje profundo de red neuronal recurrente (RNN) para rastrear el laboratorio de origen de una secuencia. Ese m\u00e9todo logr\u00f3 una precisi\u00f3n del 70% en la predicci\u00f3n del \u00fanico laboratorio de origen. \u00abA pesar de este importante avance sobre el enfoque de aprendizaje profundo anterior, PlasmidHawk ofrece un rendimiento mejorado sobre ambos m\u00e9todos\u00bb, dijo.<\/p>\n
El programa Rice alinea directamente las cadenas de c\u00f3digo desconocidas de los conjuntos de datos del genoma y las compara con pan- regiones gen\u00f3micas que son comunes o exclusivas de los laboratorios de investigaci\u00f3n de biolog\u00eda sint\u00e9tica<\/p>\n
\u00abPara predecir el laboratorio de origen, PlasmidHawk punt\u00faa cada laboratorio en funci\u00f3n de las regiones coincidentes entre una secuencia no clasificada y el pangenoma del pl\u00e1smido, y luego asigna la secuencia desconocida a un laboratorio con la puntuaci\u00f3n m\u00ednima\u00bb, dijo Wang.<\/p>\n
En el nuevo estudio, utilizando el mismo conjunto de datos que uno de los experimentos de aprendizaje profundo, los investigadores informaron la predicci\u00f3n exitosa de \u00absecuencias desconocidas ‘ laboratorios de dep\u00f3sito\u00bb el 76% del tiempo. Descubrieron que el 85 % de las veces el laboratorio correcto estaba entre los 10 candidatos principales.<\/p>\n
A diferencia de los enfoques de aprendizaje profundo, dijeron que PlasmidHawk requiere un preprocesamiento de datos reducido y no necesita volver a capacitarse al agregar nuevas secuencias. a un proyecto existente. Tambi\u00e9n difiere al ofrecer una explicaci\u00f3n detallada de sus predicciones de laboratorio de origen en contraste con los enfoques de aprendizaje profundo anteriores.<\/p>\n
\u00abEl objetivo es llenar su caja de herramientas computacionales con tantas herramientas como sea posible\u00bb, dijo el coautor Ryan Leo Elworth, investigador postdoctoral en Rice. \u00abEn \u00faltima instancia, creo que los mejores resultados combinar\u00e1n el aprendizaje autom\u00e1tico, t\u00e9cnicas computacionales m\u00e1s tradicionales y una comprensi\u00f3n profunda del problema biol\u00f3gico espec\u00edfico que est\u00e1 abordando\u00bb.<\/p>\n
Los estudiantes graduados de Rice Bryce Kille y Tian Rui Liu son co- autores del art\u00edculo. Treangen es profesor asistente de inform\u00e1tica.<\/p>\n
La investigaci\u00f3n fue apoyada por los Institutos Nacionales de Salud a trav\u00e9s del Instituto Nacional de Trastornos Neurol\u00f3gicos y Accidentes Cerebrovasculares, la Oficina del Director de Inteligencia Nacional y la Oficina de Investigaci\u00f3n del Ej\u00e9rcito. Addgene proporcion\u00f3 acceso a las secuencias de ADN de los pl\u00e1smidos depositados. <\/p>\n
Explore m\u00e1s<\/p>\n
DeepTFactor predice factores de transcripci\u00f3n M\u00e1s informaci\u00f3n:<\/strong> Qi Wang et al. PlasmidHawk mejora la predicci\u00f3n del laboratorio de origen de pl\u00e1smidos modificados mediante alineaci\u00f3n de secuencias, Nature Communications (2021). DOI: 10.1038\/s41467-021-21180-w <\/p>\n Ethan C. Alley et al. Un conjunto de herramientas de aprendizaje autom\u00e1tico para la atribuci\u00f3n de ingenier\u00eda gen\u00e9tica para facilitar la bioseguridad, Nature Communications (2020). DOI: 10.1038\/s41467-020-19612-0 Informaci\u00f3n de la revista:<\/strong> Nature Communications <\/p>\n","protected":false},"excerpt":{"rendered":" Cr\u00e9dito: Unsplash\/CC0 Dominio p\u00fablico Rastrear el origen del c\u00f3digo gen\u00e9tico sint\u00e9tico nunca ha sido sencillo, pero se puede hacer a trav\u00e9s de enfoques computacionales bioinform\u00e1ticos o, cada vez m\u00e1s, de aprendizaje profundo. Aunque este \u00faltimo recibe la mayor parte de la atenci\u00f3n, una nueva investigaci\u00f3n realizada por el cient\u00edfico inform\u00e1tico Todd Treangen de la Escuela … Continuar leyendo \u00abCient\u00edficos muestran los beneficios de la bioinform\u00e1tica con la herramienta PlasmidHawk\u00bb<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-14485","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/14485","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/comments?post=14485"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/14485\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=14485"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=14485"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=14485"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}