Thesis: Identificación de patrones nucleotídicos en genoma bacteriano vía técnicas de aprendizaje de máquinas
Date
Journal Title
Journal ISSN
Volume Title
Degree
Departament
Campus
Publisher
Abstract
La identificación de promotores es un paso fundamental para comprender los mecanismos de regulación génica bacteriana. Sin embargo, la clasificación precisa y rápida de los promotores bacterianos sigue siendo un desafío. Se han aplicado nuevos métodos basados en redes neuronales convolucionales profundas para identificar y clasificar promotores bacterianos reconocidos por factores sigma (σ) —subunidades de la ARN polimerasa que aumentan la afinidad por secuencias específicas de ADN para modular la transcripción y responder a cambios nutricionales o ambientales—. Esta tesis presenta un nuevo modelo de predicción de promotores multiclase basado en redes neuronales convolucionales (CNN, por sus siglas en inglés), el cual clasifica los promotores de Escherichia coli en las subclases σ70, σ24, σ32, σ38, σ28 y σ54. Se propone una arquitectura de CNN multiclase de dos etapas, caracterizada por ser ligera, rápida y sencilla, destinada a la identificación y clasificación de promotores. El entrenamiento y la evaluación se llevaron a cabo utilizando un conjunto de datos de referencia proveniente de RegulonDB. La comparación del rendimiento de este modelo frente a otros clasificadores basados en CNN —evaluado mediante cuatro parámetros (Acc, Sn, Sp, MCC)— mostró resultados similares o superiores a los obtenidos por modelos que emplean arquitecturas en cascada, logrando una reducción del 30 al 90 % en el tiempo requerido para el entrenamiento, la predicción y la optimización de hiperparámetros, sin comprometer la calidad de la clasificación.
Promoter identification is a fundamental step in understanding bacterial gene regulation mechanisms. However, accurate and fast classification of bacterial promoters continues to be a challenge. New methods based on deep convolutional networks have been applied to identify and classify bacterial promoters recognized by sigma (σ) factors, RNA polymerase subunits which increase affinity for specific DNA sequences to modulate transcription and respond to nutritional or environmental changes. This thesis presents a new multiclass promoter prediction model using convolutional neural networks (CNNs), which classifies Escherichia coli promoters into subclasses σ70, σ24, σ32, σ38, σ28, and σ54. We present a light, fast and simple two-stage multiclass CNN architecture for promoter identification and classification. Training and testing were performed on a benchmark dataset that is part of RegulonDB. Comparative performance of this work against other CNN-based classifiers using four parameters (Acc, Sn, Sp, MCC) resulted in similar or better performance to those that commonly use cascade architecture, reducing time by 30-90% for training, prediction and hyperparameter optimization without compromising classification quality.
