Clasificación de secuencias de ADN utilizando aprendizaje automático y descriptores de imagen

Abstract

El alineamiento de secuencias figura como una de las prácticas predominantes en la Bioinformática. Se crearon métodos basados en alineación como BLAST, BLAST+, FAS- TA, HMMER, RapSearch, que se encargaron inicialmente de esta tarea. Sin embargo, todos estos métodos son lentos en el tiempo de procesamiento además, de no ser útiles para los genomas, ya que analizar miles de estos resulta excesivamente costoso y caro para su capacidad. Esto lleva a la existencia y creación de múltiples métodos libres de alineación para la comparación de secuencias. En el presente trabajo, se examinan los métodos Kameris y Castor, siendo estos libres de alineación para la clasificación del genoma de ADN. Estos métodos son comparados con las reconocidas CNNs Resnet-50, Inception, VGG19, VGG16. Adicionalmente, se lleva a cabo una comparación con métodos descriptores de imágenes que son LBP, MLBP, GLCM, y FOS, que a su vez utilizan clasificadores como son KNN, RFC, y SVM. Podemos concluir que en la comparativa las CNNs tuvieron los resultados con menos relevancia, siendo superadas por Castor y Kameris, en el caso donde no emplearon reducción de dimensionalidad y características, siendo en ese escenario donde tuvieron resultados en f1-score aceptables. Además, los experimentos indican que los métodos descriptores de imágenes empleando SVM tuvieron el mejor desempeño en comparativa a los anteriores. Los métodos descriptores de imágenes superaron a los métodos de vanguardia (Castor y Kameris) en bds como plantas, h1vsubpool, vertebrados e insectos demostrando una perspectiva prometedora para la clasificación de especies de ADN. En última instancia, según los resultados experimentales, los resultados obtenidos con 6-mer y 7-mer fueron inferiores al uso de 5-mer (utilizado principalmente por Castor y Kameris), que se destacó. Concluimos que los métodos descriptores (especialmente FOS) usando SVM son los mejores para clasificar secuencias de ADN.