Examinando por Autor "Fyta, Maria"

Mostrando 1 - 1 de 1
  • Miniatura
    Publicación
    Deep LearningModel for DNA Reads through Nanopores
    (Universidad Nacional de Educación a Distancia (España). Facultad de Ciencias. Departamento de Física Fundamental, 2019-10-02) Díaz Carral, Ángel; Radoslavova Koroutcheva, Elka; Fyta, Maria
    Las moléculas de ADN pueden moverse electroforéticamente a través de orificios en materiales a escala nanométrica, dando lugar a corrientes electrónicas medibles producidas por el bloqueo del orificio al pasar la molécula. Estas señales pueden ser utilizadas para detectar translocaciones del ADN. Se espera que los protocolos de lectura adicionales basados en señales de corriente electrónica sobre las señales sin procesar identifiquen la secuencia de ADN, que es el ordenamiento de las bases nitrogenadas a lo largo de las moléculas. Sin embargo, las mediciones de relevancia a menudo incluyen muchos errores. Para reducir estos errores, aumentar la fidelidad de lectura e interpretar las observaciones experimentales se propone un enfoque metodológico basado en el aprendizaje no supervisado y supervisado de cara a interpretar eficientemente los eventos de ADN. En este trabajo se utilizan señales de corriente iónica experimentales, obtenidas de la translocación de nucleótidos de ADN a traves de nanoporos 2D de disulfuro de molibdeno, para entrenar un modelo de Machine Learning no supervisado con el objetivo de identificar distintos eventos moleculares. Este procedimiento no relacionado con el tiempo de permanencia tradicional para cada evento de ADN, sino con la altura de bloqueo de la corriente iónica. Dentro de este enfoque, la información de la corriente de bloqueo de los niveles que componen la señal completa de cada evento, entendido por evento la señal obtenida de cada translocación a traves del nanoporo 2D, está implícitamente incluida en el análisis del espacio de características y no necesita ser tratada explícitamente. Es posible mostrar la mayor eficiencia que tiene la altura de bloqueo como descriptor con respecto al tiempo de permanencia tradicional, incluso también en lo que respecta a hacer frente a los conjuntos de datos de nanoporos pequeño tamaño. Este enfoque permite una visión profunda de los característicos descriptores moleculares en nanoporos 2D y proporciona un mecanismo de retroalimentación para ajustar estos materiales e interpretar las señales medidas. Posteriormente, el objetivo del aprendizaje supervisado es utilizar datos experimentales para entrenar un modelo de Redes Neuronales con el fin de mejorar la identificación de diferentes nucleótidos que pasan a través del nanoporo. Se pueden obtener diferentes conjuntos de entrenamiento a partir de distintos nanoporos de estado sólido y condiciones experimentales. Usando diferentes arquitecturas para Redes Neuronales como DNN o CNN, es posible aprovechar estos conjuntos de entrenamiento distintos y calcular un algoritmo NN que sea capaz de optimizar y acelerar la lectura mediante nanoporos.