Identificación de microRNAs de plantas a partir de datos de secuenciación profunda de RNA empleando un perceptrón multicapa
DOI:
https://doi.org/10.59741/p05c6793Palabras clave:
Familia Fabaceae, Inteligencia artificial, microRNAs, Regulación génica en plantas, Regulación post-transcripcionalResumen
La degradación de transcritos mediada por micro-RNAs (miRNAs) es una capa de regu-lación génica a un nivel post-transcripcional que desempeña funciones importantes en plantas. Algunos rasgos fenotípicos que son de interés para la industria alimenticia están fuertemente regulados por este mecanismo molecular. En México, plantas de la familia Fabaceae representan una de las principales fuentes de alimentación. En consecuencia, es importante estudiar esta capa de regula-ción para mejorar los cultivos y la producción de semillas, sin embargo, uno de los tópicos más difíciles es la identificación de los loci miRNAs. Los criterios básicos no son eviden-cia suficiente para la identificación correcta. Recientemente, inteligencias artificiales (IA) basada en redes convolucionales (CNN) han mostrado un excelente poder predictivo en la identificación de los loci miRNAs, sin em-bargo, algunas de estas CNN profundas son complejas y difíciles de entrenar y ejecutar. Se ha propuesto un modelo basado en la arqui-tectura de perceptrón multicapa (MLP) para la identificación de loci de miRNAs, sin embargo, su rendimiento es limitado debido a las altas capacidades de cálculo necesarias para pro-cesar las secuencias. En este artículo mostra-mos como las IA basadas en modelos simples (MLP) son una opción más ágil y fácil de en-trenar, Esto, debido en parte, a el uso de fre-cuencias de k-meros para extraer información de las secuencias de nucleótidos y de la re-presentación de la estructura. En este artícu-lo evaluamos diferentes características de los modelos MLP como, funciones de activación, y capas “dropout”. Los modelos más adecua-dos mostraron una sensibilidad del 84-90% y una especificidad del 98-100% cuando fueron sometidos a prueba con los datos de evalua-ción. Adicionalmente, evaluamos los modelos con secuencias de transcritos ensambladas y obtuvimos valores de sensibilidad del 80-85% y especificidad del 90-95%.
Descargas
Referencias
Andrews S. (2010). FastQC: A quality control tool for high throughput sequence data. Available at: https://www.bioinformatics.babraham.ac.uk/projects/fastqc.
Bolger, A. M., Lohse, M., & Usadel, B. (2014). Trimmomatic: a flexible trimmer for Illumina sequence data. Bioinformatics, 30, 2114–2120. DOI: https://doi.org/10.1093/bioinformatics/btu170. DOI: https://doi.org/10.1093/bioinformatics/btu170
Cha, M., Zheng, H., Braham, C., Li, X., & Hu, H. (2021). A two-stream convolutional neural network for microRNA transcription start site feature integration and identification. Scientific Reports, 11, 5625. DOI: https://doi.org/10.1038/s41598-021-85173-x. DOI: https://doi.org/10.1038/s41598-021-85173-x
Centeno-González, N. K., Martínez-Cabrera, H. I., Porras-Múzquiz, H., & Estrada-Ruiz, E. (2021). Late Campanian fossil of a legume fruit supports Mexico as a center of Fabaceae radiation. Communications Biology, 4, 41. DOI: https://doi.org/10.1038/s42003-020-01533-9. DOI: https://doi.org/10.1038/s42003-020-01533-9
Dong, Q., Hu, B., & Zhang, C. (2022). microRNAs and their roles in plant development. Frontiers in Plant Science, 13, 824240. DOI: https://doi.org/10.3389/fpls.2022.824240. DOI: https://doi.org/10.3389/fpls.2022.824240
Gangadhar, B. H., Venkidasamy, B., Samynathan, R., Saranya, B., Chung, I.-M., & Thiruvengadam, M. (2021). Overview of miRNA biogenesis and applications in plants. Biologia, 76, 2309–2327. DOI: https://doi.org/10.1007/s11756-021-00763-4. DOI: https://doi.org/10.1007/s11756-021-00763-4
Guo, Z., Kuang, Z., Wang, Y., Zhao, Y., Tao, Y., Cheng, C., . . . others. (2020). PmiREN: a comprehensive encyclopedia of plant miRNAs. Nucleic Acids Research, 48, D1114–D1121. DOI: https://doi.org/10.1093/nar/gkz894. DOI: https://doi.org/10.1093/nar/gkz894
Henderi, Wahyuningsih, T. & Rahwanto, E. (2021). Comparison of min-max normalization and z-score normalization in the K-nearest neighbor (kNN) algorithm to test the accuracy of types of breast cancer. 4(1), 13-20. DOI: https://doi.org/10.47738/ijiis.v4i1.73. DOI: https://doi.org/10.47738/ijiis.v4i1.73
Kim, D., Paggi, J. M., Park, C., Bennett, C., & Salzberg, S. L. (2019). Graph-based genome alignment and genotyping with HISAT2 and HISAT-genotype. Nature Biotechnology, 37, 907–915. DOI: https://doi.org/10.1038/s41587-019-0201-4. DOI: https://doi.org/10.1038/s41587-019-0201-4
Kozomara, A., & Griffiths-Jones, S. (2010). miRBase: integrating microRNA annotation and deep-sequencing data. Nucleic Acids Research, 39, D152–D157. DOI: https://doi.org/10.1093/nar/gkq1027. DOI: https://doi.org/10.1093/nar/gkq1027
Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2017). ImageNet classification with deep convolutional neural networks. Communications of the ACM, 60(6), 84 – 90. DOI: https://dl.acm.org/doi/10.5555/2999134.2999257. DOI: https://doi.org/10.1145/3065386
Li, H., Handsaker, B., Wysoker, A., Fennell, T., Ruan, J., Homer, N., . . . Subgroup, 1. G. (2009). The sequence alignment/map format and SAMtools. Bioinformatics, 25, 2078–2079. DOI: https://doi.org/10.1093%2Fbioinformatics%2Fbtp352. DOI: https://doi.org/10.1093/bioinformatics/btp352
Lokuge, S., Jayasundara, S., Ihalagedara, P., Kahanda, I., & Herath, D. (2022). miRNAFinder: A comprehensive web resource for plant pre-microRNA classification. Biosystems, 215, 104662. DOI: https://doi.org/10.1016/j.biosystems.2022.104662. DOI: https://doi.org/10.1016/j.biosystems.2022.104662
Lorenz, R., Bernhart, S. H., Höner zu Siederdissen, C., Tafer, H., Flamm, C., Stadler, P. F., & Hofacker, I. L. (2011). ViennaRNA Package 2.0. Algorithms for Molecular Biology, 6, 1–14. DOI: https://doi.org/10.1186/1748-7188-6-26. DOI: https://doi.org/10.1186/1748-7188-6-26
Meyers, B. C., Axtell, M. J., Bartel, B., Bartel, D. P., Baulcombe, D., Bowman, J. L., . . . others. (2008). Criteria for annotation of plant MicroRNAs. The Plant Cell, 20, 3186–3190. DOI: https://doi.org/10.1105/tpc.108.064311. DOI: https://doi.org/10.1105/tpc.108.064311
Owusu Adjei, M., Zhou, X., Mao, M., Rafique, F., & Ma, J. (2021). MicroRNAs roles in plants secondary metabolism. Plant Signaling & Behavior, 16, 1915590. DOI: https://doi.org/10.1080/15592324.2021.1915590. DOI: https://doi.org/10.1080/15592324.2021.1915590
Pertea, G., & Pertea, M. (2020). GFF utilities: GffRead and GffCompare. F1000Research, 9. DOI: https://doi.org/10.12688/f1000research.23297.2. DOI: https://doi.org/10.12688/f1000research.23297.2
Rojo-Arias, J. E., & Busskamp, V. (2019). Challenges in microRNAs’ targetome prediction and validation. Neural Regeneration Research, 14, 1672–1677. DOI: https://doi.org/10.4103%2F1673-5374.257514. DOI: https://doi.org/10.4103/1673-5374.257514
Shavanov, M. V. (2021). The role of food crops within the Poaceae and Fabaceae families as nutritional plants. IOP Conference Series: Earth and Environmental Science, 624, p. 012111. DOI: https://doi.org/10.1088/1755-1315/624/1/012111. DOI: https://doi.org/10.1088/1755-1315/624/1/012111
Song, X., Li, Y., Cao, X., & Qi, Y. (2019). MicroRNAs and their regulatory roles in plant–environment interactions. Annual Review of Plant Biology, 70, 489–525. DOI: https://doi.org/10.1146/annurev-arplant-050718-100334. DOI: https://doi.org/10.1146/annurev-arplant-050718-100334
Tiwari, R., & Rajam, M. V. (2022). RNA-and miRNA-interference to enhance abiotic stress tolerance in plants. Journal of Plant Biochemistry and Biotechnology, 31, 689–704. DOI: https://doi.org/10.1007/s13562-022-00770-9. DOI: https://doi.org/10.1007/s13562-022-00770-9
Trevethan, R. (2017). Sensitivity, specificity, and predictive values: foundations, pliabilities, and pitfalls in research and practice. Frontiers in Public Health, 5, 307. DOI: https://doi.org/10.3389/fpubh.2017.00307. DOI: https://doi.org/10.3389/fpubh.2017.00307
Wani, S. H., Kumar, V., Khare, T., Tripathi, P., Shah, T., Ramakrishna, C., . . . Mangrauthia, S. K. (2020). miRNA applications for engineering abiotic stress tolerance in plants. Biologia, 75, 1063–1081. DOI: http://dx.doi.org/10.2478/s11756-019-00397-7. DOI: https://doi.org/10.2478/s11756-019-00397-7
Yang, X., Zhang, L., Yang, Y., Schmid, M., & Wang, Y. (2021). miRNA mediated regulation and interaction between plants and pathogens. International Journal of Molecular Sciences, 22, 2913. DOI: https://doi.org/10.3390%2Fijms22062913. DOI: https://doi.org/10.3390/ijms22062913
Zhang, F., Yang, J., Zhang, N., Wu, J., & Si, H. (2022). Roles of microRNAs in abiotic stress response and characteristics regulation of plant. Frontiers in Plant Science, 13, 919243. DOI: https://doi.org/10.3389%2Ffpls.2022.919243. DOI: https://doi.org/10.3389/fpls.2022.919243
Zhang, L., Xiang, Y., Chen, S., Shi, M., Jiang, X., He, Z., & Gao, S. (2022). Mechanisms of microRNA biogenesis and stability control in Plants. Frontiers in Plant Science. 13, 844149. DOI: https://doi.org/10.3389/fpls.2022.844149. DOI: https://doi.org/10.3389/fpls.2022.844149
Zhang, Y., Huang, J., Xie, F., Huang, Q., Jiao, H., & Cheng, W. (2024). Identification of plant microRNAs using convolutional neural network. Frontiers in Plant Science, 15, 1330854. DOI: https://doi.org/10.3389/fpls.2024.1330854. DOI: https://doi.org/10.3389/fpls.2024.1330854
Zhang, Z., Teotia, S., Tang, J., & Tang, G. (2019). Perspectives on microRNAs and phased small interfering RNAs in maize (Zea mays L.): functions and big impact on agronomic traits enhancement. Plants, 8, 170. DOI: https://doi.org/10.3390/plants8060170. DOI: https://doi.org/10.3390/plants8060170
Zhao, Y., Wang, G., Tang, C., Luo, C., Zeng, W., & Zha, Z.-J. (2021). A battle of network structures: An empirical study of CNN, Transformer, and MLP. arXiv preprint arXiv:2108.13002. DOI: https://doi.org/10.48550/arXiv.2108.13002.
Zheng, X., Xu, S., Zhang, Y., & Huang, X. (2019). Nucleotide-level convolutional neural networks for pre-miRNA classification. Scientific Reports, 9, 628. DOI: https://doi.org/10.1038/s41598-018-36946-4 DOI: https://doi.org/10.1038/s41598-018-36946-4
Zielezinski, A., Vinga, S., Almeida, J. and Karlowski, W.M., 2017. Alignment-free sequence comparison: benefits, applications, and tools. Genome biology, 18, pp.1-17. DOI: https://doi.org/10.1186/s13059-017-1319-7. DOI: https://doi.org/10.1186/s13059-017-1319-7
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2025 Marco A. Juárez Verdayes, Javier Montalvo-Arredondo
Esta obra está bajo una licencia internacional Creative Commons Atribución-CompartirIgual 4.0.
Cómo citar
PLUM Metrics
