Inteligencia artificial rastrea la selección natural en el genoma humano

06Científicos están utilizando inteligencia artificial para identificar secuencias genéticas moldeadas por presiones evolutivas.

Identificar dónde y cómo está evolucionando el genoma humano puede ser como buscar una aguja en un pajar.

El genoma de cada persona contiene tres mil millones de bloques de construcción llamados nucleótidos, y los investigadores deben recopilar datos de miles de personas para descubrir patrones que indican cómo los genes han sido moldeados por las presiones evolutivas.

Para encontrar estos patrones, un número creciente de genetistas está recurriendo a una forma de aprendizaje automático llamada aprendizaje profundo.

Los defensores del enfoque dicen que los algoritmos de aprendizaje profundo incorporan menos suposiciones explícitas sobre cómo deberían ser las firmas genéticas de la selección natural que los métodos estadísticos convencionales.

“El aprendizaje automático está automatizando la capacidad de hacer inferencias evolutivas”, dice Andrew Kern, genetista de poblaciones de la Universidad de Oregon en Eugene.

“No hay duda de que está avanzando las cosas”.

Una herramienta de aprendizaje profundo llamada “DeepSweep”, desarrollada por investigadores del Instituto Broad y MIT de Harvard en Cambridge, Massachusetts, ha marcado 20,000 nucleótidos individuales para estudios adicionales.

Algunas o todas estas simples mutaciones pueden haber ayudado a los humanos a sobrevivir una enfermedad, una sequía o lo que Charles Darwin llamó “condiciones de vida”, informaron los investigadores el mes pasado en la reunión anual de la Sociedad Americana de Genética Humana en San Diego, California.

Desde la década de 1970, los genetistas han creado modelos matemáticos para describir la huella digital de la selección natural en el ADN.

Si surge una mutación que hace que una persona sea más capaz de sobrevivir y producir descendencia que sus vecinos, el porcentaje de la población con esa variante genética crecerá con el tiempo.

Un ejemplo es la mutación que brinda a muchos adultos la capacidad de tomar leche de vaca.

Permite al cuerpo producir lactasa, una enzima que digiere el azúcar en la leche, hasta la edad adulta.

Al analizar los genomas humanos con métodos estadísticos, los investigadores descubrieron que la mutación se propagó rápidamente a través de las comunidades en Europa hace miles de años, probablemente porque los nutrientes en la leche de vaca ayudaron a las personas a producir niños saludables.

Hoy en día, casi el 80% de las personas de ascendencia europea tienen esta variante.

Sin embargo, los genetistas han luchado para identificar y confirmar otros fragmentos específicos del genoma que se diseminaron a lo largo de las poblaciones porque brindaron una ventaja adaptativa.

El aprendizaje profundo se destaca en este tipo de tareas: descubrir patrones sutiles ocultos en grandes cantidades de datos.

Pero hay una trampa. Los algoritmos de aprendizaje profundo a menudo aprenden a clasificar la información después de ser entrenados por exposición a datos reales.

Facebook, por ejemplo, prepara algoritmos para reconocer caras sobre la base de imágenes que las personas ya han etiquetado.

Debido a que los genetistas aún no saben qué partes del genoma están siendo moldeadas por la selección natural, deben entrenar sus algoritmos de aprendizaje profundo en datos simulados.

Sohini Ramachandran, genetista de población de la Universidad de Brown en Providence, Rhode Island, es responsable de generar datos simulados.

“No tenemos datos verdaderos, por lo que la preocupación es que no estemos simulando correctamente”.

A person called richardo he was first time viagra side online mouthsofthesouth.com prepared by Pfizer scientists. This medicine should not be used if you are allergic to Sildenafil Citrate then also you are not levitra on line supposed to use this medicine. Consequently, it’s not at all better to take cipla cialis with some other treatment. 10. So mouthsofthesouth.com lowest priced cialis if you are passing through this fateful occurrence then take the help of this green leafy vegetable. Y como los algoritmos de aprendizaje profundo funcionan como cajas negras, es difícil saber qué criterios utilizan para identificar patrones en los datos, dice Philipp Messer, genetista de poblaciones de la Universidad de Cornell en Ithaca, Nueva York.

“Si la simulación es incorrecta, no está claro qué significa la respuesta”, agrega.

Los investigadores que usan algoritmos de aprendizaje profundo tienen algunas formas de echar un vistazo a la caja negra.

Los creadores de DeepSweep entrenaron su algoritmo en firmas de selección natural que insertaron en genomas simulados.

Cuando lo probaron en datos reales del genoma humano, el algoritmo se centró en las mutaciones de la lactasa que permiten a los adultos tomar leche.

Eso reforzó la confianza del equipo en la herramienta, dice Joseph Vitti, un genetista computacional en el Instituto Broad.

Luego, los investigadores analizaron los datos del Proyecto 1000 Genomas, una iniciativa internacional que secuenciaba el ADN de 2,504 personas en todo el mundo, utilizando un método estadístico para identificar regiones que podrían estar bajo presión evolutiva.

Estos representan aproximadamente un tercio de los tres mil millones de bloques de construcción que comprenden el genoma humano.

A continuación, DeepSweep evaluó cada región.

Al final del análisis, había entregado una lista de 20,000 mutaciones únicas para explorar.

En los próximos meses, Vitti y sus colegas investigarán qué hacen estas mutaciones editándolas en el ADN de las células vivas y comparando qué sucede cuando están ahí con cuando no lo están.

Varios otros investigadores están entrenando algoritmos de aprendizaje profundo para buscar signos de adaptación en los genomas.

Un modelo de aprendizaje profundo desarrollado por Kern sugiere que al principio, la mayoría de las mutaciones en humanos no son beneficiosas ni perjudiciales.

Más bien, parecen desplazarse a lo largo de las poblaciones, aumentando la variabilidad genética natural, y solo se vuelven más frecuentes cuando un cambio en el medio ambiente le da a las personas que poseen la mutación una ventaja evolutiva.

En febrero, Ramachandran y sus colegas informaron sobre un algoritmo de aprendizaje profundo que desarrollaron llamado SWIF(r).

Cuando lo aplicaron a los genomas de 45 miembros del grupo étnico Khomani San del sur de África, detectó variaciones cerca de los genes asociados con el metabolismo.

Los investigadores especulan que los cambios pueden haber ocurrido hace miles de años y que ayudaron a los miembros del grupo a almacenar grasa durante ciclos de alimentos poco confiables.

Los efectos de las mutaciones aún necesitan ser probados.

Pero al igual que con las variantes identificadas por DeepSweep, los candidatos seleccionados por SWIF (r) brindan a los investigadores un lugar para comenzar.

“Estos son métodos increíblemente poderosos para buscar las señales de la selección natural”, dice Pardis Sabeti, un genetista computacional en el Instituto Broad, y el supervisor de doctorado de Vitti.

“Algunas personas no pensaron que pudieras identificar variantes cuando empecé. Algunos pensaron que era imposible “.

Fuente: Nature