Algoritmos genéticos como mecanismo para modelar interacciones genéticas utilizando información observada en distintos tiempos

• Autores: David J. John, Kenneth David Meza Chaves
• Localización: Tecnología en Marcha, ISSN 0379-3982, ISSN-e 2215-3241, Vol. 31, Nº. Extra 5, 2018 (Ejemplar dedicado a: Movilidad Estudiantil 5), págs. 69-87
• Idioma: español
• Títulos paralelos:
  • Genetic algorithms as a mechanism for modelling gene interactions using time-course data
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    Los modelos de interacción genética corresponden a grafos ponderados que se generan a partir de replicaciones de abundancia genética en distintos tiempos de observación, en donde cada arista con peso es una probabilidad de asociación genética. Estos modelos de interacciones son herramientas empleadas por los investigadores en biología para comprender las relaciones genéticas. Dos algoritmos genéticos fueron desarrollados para modelar interacciones genéticas a partir de información de entrada obtenida en experimentos científicos (abundancia genética), en donde un algoritmo sigue un esquema tradicional, mientras que el otro (no tradicional) se basa en la etapa de ‘crossover’, con la aplicación de la mutación de manera poco frecuente. Ambos algoritmos genéticos evolucionan una población actual conformada por grafos acíclicos dirigidos para producir una nueva población, en donde cada grafo representa un modelo Bayesiano para una posible interacción genética. El ‘fitness’ empleado en los algoritmos genéticos consiste en la probabilidad relativa posterior en la que un modelo Bayesiano se ajusta a las replicaciones de abundancia genética. Estas probabilidades Bayesianas son calculadas utilizando una de las tres técnicas de análisis: cotemporal, estado siguiente del primer orden y estado siguiente del segundo orden. Los modelos de interacción genética ponderados reflejan los grafos acíclicos dirigidos y sus probabilidades presentados en la última población de cada una de las numerosas ejecuciones independientes del algoritmo genético. Empleando un set de genes simulado, ambos algoritmos genéticos encuentran las señales que se han diseñado y se mantienen consistentes entre paradigmas. También, se presentan modelos empleando un set de datos de la abundancia genética obtenida a partir del estudio de la planta Arabidopsis thaliana estimulada por la hormona auxina.

  • English

    Gene interaction models are weighted graphs derived from replicates of gene abundance time-course data, where each weighted edge is a probability of gene association. These interaction models are a tool to assist biological researchers in understanding gene relationships. Two new genetic algorithms, one fairly traditional and the other based on crossover with infrequent application of a chaotic mutation operator, are developed specifically to produce gene interaction models from sparse time-course abundance data. Both genetic algorithms evolve a new population from a current population of directed acyclic graphs, each representing a Bayesian model for possible gene interaction. The genetic algorithm fitness is the relative posterior probability that a Bayesian model fits the gene abundance replicates. These Bayesian likelihoods are computed using one of three analysis techniques: cotemporal, first order next state and second order next state. The weighted gene interaction models reflect the directed acyclic graphs and their likelihoods present in the final populations of numerous independent genetic algorithm executions. Using a simulated set of genes, these two genetic algorithms find the embedded signals and are consistent across analysis paradigms. Results from a set of biological gene abundance data, from Arabidopsis thaliana stimulated by the plant hormone auxin, are modeled