Predicción de la abundancia de ARNm usando redes neuronales profundas

Abstract

La expresión génica controla el desarrollo, el crecimiento, la adaptación y la reproducción de todas las células, por lo que su entendimiento puede brindarnos con grandes avances en el ámbito de la medicina y la biotecnología. Sin embargo, aún no está claro cómo las diferentes regiones de la cadena de ADN intervienen en la regulación de esta expresión. Además de esto, las técnicas para medirla siguen siendo costosas y lentas. Con el fin de aportar una herramienta útil para el personal investigador y sanitario, en este proyecto se han aplicado diferentes modelos de aprendizaje profundo para la predicción del ARNm en Saccharomyces cerevisiae utilizando Pytorch. Para llevar a cabo esta tarea, se ha utilizado un conjunto de datos compuesto por la abundancia de ARNm de diferentes genes, junto con las secuencias de la región no codificantes, las frecuencias de los codones y otras ocho variables de estabilidad del ARNm. Se han entrenado diferentes modelos, usando por un lado las secuencias y por otro el resto de las variables. Tras esto, se han unido los mejores modelos para cada conjunto de datos, creando un modelo nuevo combinado.

Gene expression controls the development, growth, adaptation and reproduction of all cells. Therefore, its understanding can provide us with great advances in the field of medicine and biotechnology. However, it is not yet clear how the different regions of the DNA chain are involved in the regulation of this expression. In addition to this, the techniques to measure gene expression are expensive and slow. In order to provide a useful tool for researchers and health personnel, in this project, different deep learning models have been applied for the prediction of mRNA in Saccharomyces cerevisiae using Pytorch. To carry out this task, a data set composed of the mRNA abundance of different genes has been used, together with the sequences of the non-coding region, the codon frequencies and eight other mRNA stability variables. Different models have been trained, using the sequences in some of them and the rest of the variables in a different one. After this, the best models for each data set have been joined, creating a new combined model. Finally, the best model has been used to create an interface that performs a prediction of mRNA abundance.

L'expressió gènica controla el desenvolupament, el creixement, l'adaptació i la reproducció de totes les cèl·lules, per la qual cosa el seu enteniment pot brindar-nos amb grans avanços en l'àmbit de la medicina i la biotecnologia. No obstant això, encara no és clar com les diferents regions de la cadena d'ADN intervenen en la regulació d'aquesta expressió. A més d'això, les tècniques per a mesurar-la continuen sent costoses i lentes. Amb la finalitat d'aportar una eina útil per al personal investigador i sanitari, en aquest projecte s'han aplicat diferents models d'aprenentatge profund per a la predicció del ARNm en Saccharomyces cerevisiae utilitzant Pytorch. Per a dur a terme aquesta tasca, s'ha utilitzat un conjunt de dades compost per l'abundància de ARNm de diferents gens, juntament amb les seqüències de la regió no codificants, les freqüències dels codons i altres vuit variables d'estabilitat del ARNm. S'han entrenat diferents models, usant d'una banda les seqüències i per un altre la resta de les variables. Després d'això, s'han unit els millors models per a cada conjunt de dades, creant un model nou combinat.