Advertencia: Esta página es una traducción de esta página originalmente en inglés. Tenga en cuenta ya que las traducciones son generadas por máquinas, no que todos traducción será perfecto. Este sitio Web y sus páginas están destinadas a leerse en inglés. Cualquier traducción de este sitio Web y su páginas Web puede ser imprecisa e inexacta en su totalidad o en parte. Esta traducción se proporciona como una conveniencia.

Imagen-basado profundamente aprendiendo estudio haplotipo-conducido correlaciona la adaptación global de SARS-CoV-2

Hasta la fecha, el coronavirus 2 (SARS-CoV-2), el patógeno causativo de la neumonía asiática de la enfermedad 2019 (COVID-19) del coronavirus, ha causado más de 93,21 millones de infecciones por todo el mundo. Mientras que se extiende a través de diversas poblaciones, experimenta las adaptaciones que afectan a veces a su transmisibilidad y a otras características biológicas.

Una prueba preliminar interesante en el servidor del bioRxiv* describe el uso profundamente del aprendizaje con tecnología del reconocimiento de la imagen trazar la aparición de variantes con aptitud física viral creciente. Una aptitud física más alta lleva a la extensión rápida de estos linajes en las áreas donde se introducen. Este tipo de estudio podía facilitar el revelado de anticuerpos y de vacunas más efectivos para ayudar a contener el pandémico.

Significación de los estudios de la adaptación

Un paso importante en la comprensión del pandémico causado por un patógeno nuevo es determinar los cambios que ocurren en el genoma del organismo en un cierto plazo, y cómo esta evolución refleja cambios en su comportamiento. Esto ayuda a escoger los objetivos para la intervención. El paso intenso de la investigación sobre el pandémico en curso COVID-19 ha llevado a la agregación de millares de series virales completas del ARN, de poblaciones múltiples y de regiones.

El estudio actual apunta explotar esta base de datos de la información genomic viral para determinar, del primera, del acontecimiento del cambio genomic en el SARS-CoV-2 como resultado de la presión global de la selección, o de la selección regional, con cambios en un cierto plazo. Las presiones de la selección son agentes que actúan en el virus de fuera, esa influencia su aptitud física de la supervivencia positivo o negativo empeorando o aumentando rasgos determinados. El estudio de las poblaciones virales seleccionadas durante un tiempo podía ayudar a destapar cambios en la virulencia o la inmunogeneticidad asociada a tales procesos adaptantes genéticos.

Aproximaciones filogenéticas usando profundamente el aprendizaje

Los investigadores confiaron en métodos filogenéticos para hacer sus inferencias, sin usar datos de la recombinación. Su aproximación es diferente de métodos más convencionales que resuman datos de la serie en forma numérica o gráfica, para determinar cómo las variantes del nucleótido se distribuyen en situaciones sin la presión de la selección. En tales situaciones neutral de desarrollo, la recombinación libre se asume para ocurrir, con la población siguiendo siendo constante.

En el estudio actual, los investigadores optaron por las técnicas filogenéticas que requieren acciones repetidores numerosas en un intervalo del momento específico para capturar exceso de acciones más allá de los límites de evolución neutral. Esto significa que son de uso frecuente solamente con los genomas que muestran una alta tasa de la mutación, o tienen mástiles largos de la mutación.

Los investigadores utilizaron la capacidad de métodos de aprendizaje profundos de capturar cambios genéticos complejos en las herramientas de la predicción basadas en simulaciones, de modo que no tengan que explicar parámetros bien definidos. Ya, profundamente el aprendizaje se ha aplicado en genética de población obtener predicciones de diversos parámetros genéticos, tales como régimen de recombinación y selección, así como análisis de datos del germline. Pueden utilizar parámetros del imagen-reconocimiento para analizar la adaptación viral, así usando la información en alineaciones del haplotipo.  

análisis Imagen-basado del haplotipo

El estudio se basa en una red neuronal circumvolucional (CNN) combinada con una aproximación periódica (RNN) de la red neuronal. El haplotipo imagen-basado llamado condujo la inferencia evolutiva (ImHapE), esta plataforma permitió que determinaran la selección de una manera cuantitativa en desplegar las poblaciones virales, usando datos de secuencia genomic. Esta aproximación del cuatro-paso fue modificada para aumentar su velocidad mientras que conservaba su capacidad de capturar diferencias en aptitud física en diversas poblaciones en quienes la selección está operando en diversas fuerzas. Simularon incremento exponencial en la población, con el índice de crecimiento en las poblaciones positivo seleccionadas que eran más altas mientras que la aptitud física aumentó. La aptitud física se define como “reducción en índice de mortalidad tales que una aptitud física (1 + s) de 2 era equivalente a una reducción del 50% en el índice de mortalidad viral en la población beneficiosa del virus.”

Una vez que sus CNN/RNN modelan habían sido entrenados y validado en su población simulada, la aplicaron a dos equipos de datos globales reales sobre el virus. El primer era de la iniciativa global en la distribución de toda la base de datos de los datos de la gripe (GISAID), recopilada entre marzo y julio de 2020. El segundo era datos BRITÁNICOS del DIENTE, cerco entre abril y diciembre de 2020. Las mutaciones en las dos bases de datos fueron llamadas usando el genoma de la referencia de Wuhan y un genoma de la referencia de Inglaterra, respectivamente.

Control de calidad general y muestra que filtran para GISAID y los datos de Reino Unido del DIENTE. Para asegurar inferencias exactas eran hechos en datos empíricos, nosotros fijan un umbral para la partícula extraña de la muestra basada en la proporción de genoma encubierta. Para fijar el umbral para la proporción de genoma encubierta, fijamos atajos simples basados en la distribución de muestra entera. Para los datos BRITÁNICOS del DIENTE, a, validamos solamente muestras con menos de 1,8% del genoma encubierto, y b, no encontró un número excesivo de sitios con el encubrimiento en una exploración genoma-ancha. Para los datos de GISAID, c, validamos solamente muestras con menos de 0,1% del genoma encubierto, y b, no encontró un número excesivo de sitios con el encubrimiento en una exploración genoma-ancha. e, comparamos cuentas mutacionales en datos de GISAID (de enero a agosto de 2020) y datos BRITÁNICOS del DIENTE (de marzo a diciembre de 2020). Particularmente, nos aseguramos de que las cuentas de la mutación usando el genoma de la referencia LONGD51C5 dieran lugar a partir de abril de 2020 a un número más pequeño de mutaciones de las mutaciones por término medio entonces llamadas los datos BRITÁNICOS del DIENTE de n usando la referencia de Wuhan a partir de diciembre de 2019.
Control de calidad general y muestra que filtran para GISAID y los datos de Reino Unido del DIENTE. Para asegurar inferencias exactas eran hechos en datos empíricos, nosotros fijan un umbral para la partícula extraña de la muestra basada en la proporción de genoma encubierta. Para fijar el umbral para la proporción de genoma encubierta, fijamos atajos simples basados en la distribución de muestra entera. Para los datos BRITÁNICOS del DIENTE, a, validamos solamente muestras con menos de 1,8% del genoma encubierto, y b, no encontró un número excesivo de sitios con el encubrimiento en una exploración genoma-ancha. Para los datos de GISAID, c, validamos solamente muestras con menos de 0,1% del genoma encubierto, y b, no encontró un número excesivo de sitios con el encubrimiento en una exploración genoma-ancha. e, comparamos cuentas mutacionales en datos de GISAID (de enero a agosto de 2020) y datos BRITÁNICOS del DIENTE (de marzo a diciembre de 2020). Particularmente, nos aseguramos de que las cuentas de la mutación usando el genoma de la referencia LONGD51C5 dieran lugar a partir de abril de 2020 a un número más pequeño de mutaciones de las mutaciones por término medio entonces llamadas los datos BRITÁNICOS del DIENTE de n usando la referencia de Wuhan a partir de diciembre de 2019.

Ajustaron su régimen de la mutación para ajustar con las 23 mutaciones estimadas por el genoma por el año que el genoma SARS-CoV-2 se estima para experimentar. También reunieron muestras del virus según puntos de la región y del tiempo.

Aptitud física creciente de nuevas variantes

Encontraron que el virus experimentaba la selección positiva en cada población, como se muestra por un valor sobre 1, pero su aptitud física era diferente en diversas regiones. La selección positiva fue observada incluso después la compensación del crecimiento demográfico.

En Europa y Norteamérica, la aptitud física disminuida en un cierto plazo, subsiguiente a la fijación de la variante de D614G, pero era más alta en julio que al principio. La aptitud física en marzo y julio era 1,05 comparado con 1,42 en Europa, y 1,27 comparado con 1,40 en Norteamérica.

Usando los datos BRITÁNICOS del DIENTE, encontraron que la selección positiva tenía una amplia gama de variación temprano en el brote. Sin embargo, la aptitud física aumentó a partir de 1,05 en la semana 29 a 1,34 en la semana 49. El principio de la aptitud física creciente fue asociado a la extensión simultánea del linaje B1.177 en la semana 29, con la nueva variante B.1.1.7 desplegándose después de la semana 46.

El linaje del B. 1,177 es definido por una mutación de A222V en la proteína del pico. Ha llegado a ser disperso en Europa, pero es desconocido si esto está relacionada con cualquier ventaja fenotípica, tal como transmisibilidad creciente. La nueva variante, B.1.1.1.7, parece ser asociada a aptitud física creciente después de la semana 46, indicando que esto es más apta que los otros linajes de circulación en el Reino Unido actualmente.

Del DIENTE de los datos el perfilado BRITÁNICO continental y es un ejemplo excelente de cómo las herramientas simulación-basadas de CNN/RNN pueden casi rastrear diferencias selectivas entre copias virales en tiempo real.”

¿Cuáles son las implicaciones?

Estas conclusión muestran cómo esta herramienta es útil en las poblaciones virales siguientes que experimentan la presión de la selección, y así haciendo inferencias sobre las diferencias selección-impulsadas en virulencia y contagiosidad. Esta herramienta versátil está lista para ser refinado y para ser convertido más lejos para estudiar la adaptación en genomas.

Nuestro marco general se puede adaptar y aplicar a cualquier población de no-recombinación donde está disponible la información alineada del haplotipo por ejemplo tejidos o cánceres somáticos.”

Advertencia *Important

el bioRxiv publica los partes científicos preliminares que par-no se revisan y, por lo tanto, no se deben mirar como concluyentes, conduce práctica clínica/comportamiento relativo a la salud, o tratado como información establecida.

Journal reference:

Ouelette, T. W. et al. (2021). Using image-based haplotype alignments to map global adaptation of SARS-CoV-2. bioRxiv preprint. doi: https://doi.org/10.1101/2021.01.13.426571. https://www.biorxiv.org/content/10.1101/2021.01.13.426571v1

Dr. Liji Thomas

Written by

Dr. Liji Thomas

Dr. Liji Thomas is an OB-GYN, who graduated from the Government Medical College, University of Calicut, Kerala, in 2001. Liji practiced as a full-time consultant in obstetrics/gynecology in a private hospital for a few years following her graduation. She has counseled hundreds of patients facing issues from pregnancy-related problems and infertility, and has been in charge of over 2,000 deliveries, striving always to achieve a normal delivery rather than operative.

Citations

Please use one of the following formats to cite this article in your essay, paper or report:

  • APA

    Thomas, Liji. (2021, January 15). Imagen-basado profundamente aprendiendo estudio haplotipo-conducido correlaciona la adaptación global de SARS-CoV-2. News-Medical. Retrieved on April 23, 2021 from https://www.news-medical.net/news/20210115/Image-based-deep-learning-haplotype-guided-study-maps-the-global-adaptation-of-SARS-CoV-2.aspx.

  • MLA

    Thomas, Liji. "Imagen-basado profundamente aprendiendo estudio haplotipo-conducido correlaciona la adaptación global de SARS-CoV-2". News-Medical. 23 April 2021. <https://www.news-medical.net/news/20210115/Image-based-deep-learning-haplotype-guided-study-maps-the-global-adaptation-of-SARS-CoV-2.aspx>.

  • Chicago

    Thomas, Liji. "Imagen-basado profundamente aprendiendo estudio haplotipo-conducido correlaciona la adaptación global de SARS-CoV-2". News-Medical. https://www.news-medical.net/news/20210115/Image-based-deep-learning-haplotype-guided-study-maps-the-global-adaptation-of-SARS-CoV-2.aspx. (accessed April 23, 2021).

  • Harvard

    Thomas, Liji. 2021. Imagen-basado profundamente aprendiendo estudio haplotipo-conducido correlaciona la adaptación global de SARS-CoV-2. News-Medical, viewed 23 April 2021, https://www.news-medical.net/news/20210115/Image-based-deep-learning-haplotype-guided-study-maps-the-global-adaptation-of-SARS-CoV-2.aspx.