Protocolo computacional para la asignación taxonómica de virus en metadatos genómicos

Abstract

Los virus están ampliamente distribuidos en todos los ecosistemas naturales y son el grupo de entidades biológicas más diverso conocido. Aunque su biodiversidad biológica estimada es de 31 ordenes de magnitud, nuestro conocimiento es menor al 1%. Además, debido a su capacidad de impacto a la salud humana, como lo ha sido la reciente pandemia de Sars- cov-2, es esencial la búsqueda de estrategias que sean rápidas y fiables al clasificar nuevos virus usando los datos disponibles como referencia de manera eficiente. Nuestro objetivo es encontrar métodos flexibles para filtrar y clasificar secuencias víricas utilizando diversos recursos como el aprendizaje de máquina principalmente con una resolución adecuada, una alta eficiencia y buena precisión, manteniendo la flexibilidad del modelo a secuencias víricas diversas. Seleccionamos las máquinas de soporte vectorial y los árboles de gradiente potenciado como los métodos que más nos favorecían en términos de recursos computacionales, rendimiento y predicción, los datos usados fueron descargados del NCBI Virus para entrenar los modelos. Las secuencias virales fueron filtradas cuidadosamente para el entrenamiento del modelo. Después del filtrado de los datos, 19 familias tuvieron el número de secuencias más representativas. Finalmente, de este conjunto de datos, 80 % fueron usados para entrenar las máquinas de aprendizaje y 20% fue utilizado para validar las clases taxonómicas. Las secuencias víricas se transformaron a una representación numérica a través de el método count vectorizer en k-mers de diferentes tamaños, incluyendo 3k-mers con el fin de preservar la información de los marcos abiertos de lectura (ORF’s) y evitar el sobreajuste. En este trabajo, nuestros métodos permiten encontrar asociaciones a nivel taxonómico de familia entre las secuencias virales y la taxonomía, por medio de recursos computacionales eficientes de predicción y a diferencia de métodos convencionales de comparación de secuencias. Sin embargo, es importante señalar que en el aprendizaje de máquina la calidad de la predicción recae directamente en la calidad de la base de datos de entrenamiento y la definición de la clase, por lo tanto descripciones débiles de las familias de virus son la mayor limitación para construir un modelo coherente de clasificación de secuencias. Finalmente, el modelo de árboles de gradiente potenciado tiene la mejor probabilidad de predicción, encontramos que 8 familias que fueron predichas para los datos experimentales concuerdan con los reportes científicos para Culex sp. y Aedes sp. (Texto tomado de la fuente).

Viruses are widely distributed in all the natural ecosystems and belong to one of the most diverse groups of biological entities. Though their estimated biodiversity is 1031 orders of magnitude, our current knowledge is still less than 1 %. Besides, due to the capacity to im- pact human health dramatically, as it has been seen in outbreaks like the current pandemic, it is essential to search for strategies that fast and reliable classify new viruses by using the available data efficiently as reference. Then, our goal is to search for flexible methods to filter and classify viral sequences from diverse sources using machine learning (ML) principles with a proper resolution, high ef- ficiency, and accuracy, but with flexibility. We have chosen support vector machine and gradient boosting as ML method that are more favorable in terms of computational resour- ces, performance and prediction and the data used was downloaded from the viral NCBI database to train our approach. Viral sequences from the databases were carefully filtered to train the model. After the filtering of the data, 19 families had more representative number of sequences. Finally, from this set of data, 80% was used to train the machine, and 20% was used to validate the taxonomic assignment. Viral sequences was change to numeric representation throught count vectorizer method into k-mers of varied sizes include 3 k-mers to preserve open reading frames (ORF’s) information and avoid overfitting. In this approach, our method allowed to find associations in family taxonomic level between the viral sequences and the viral taxonomy by using inference computational resources effi- ciently and unlike other conventional methods for sequence comparison. Nevertheless, it is essential to point out that ML approaches rely directly on the quality of the input data- set, and the class definition so weak description of some families of viruses are the major limitation to construct a coherent model to classify their sequences. Finally, the gradient boosting model have the highest prediction probability, we found 8 families predicted in the experimental data that agree with the scientific reports in different studies for Culex sp and Aedes sp.