Reseñas PISIS 2020

Posgrado en Ingeniería de Sistemas

Semblanza

M. C. Jorge Alberto Cordero Cruz

El M. C. Jorge Alberto Cordero Cruz, egreso de la Ingeniería en mecatrónica por parte de la Universidad Autónoma de Nuevo León en el 2013. Obtuvo su maestría en Ciencias en Ciencias Computacionales e Ingeniería (M. Sc. In Computer Science and Engineering) en la Eindhoven University of Technology en el año 2019. Actualmente es estudiante del doctorado en Ingeniería en Tecnología de Software (PhD Eng. in Software Technology) en la Eindhoven University of Technology. El maestro Jorge ha trabajado como desarrollar Full-Stack en el Instituto Tecnológico de Estudios Superiores de Monterrey y NIC México. Por último, sus áreas de interés son el desarrollo de software y aprendizaje máquina.

Introducción

Los microARN son secuencias de nucleótidos muy pequeñas compuestas de adenina, citosina, guanina y uracilo, relacionadas con diversos procesos biológicos de los seres vivos; se ha encontrado que estos pueden ser usados como biomarcadores para detectar la presencia de diversos padecimientos como enfermedades autoinmunes, inflamatorias o cáncer. Aunque a nivel laboratorio es posible detectar la secuencia de las moléculas de microARN, no es muy conveniente debido al ruido causado por otras secuencias genéticas en el proceso. Con esto en mente, el M.C. Jorge Cordero nos presenta un método computacional basado en aprendizaje profundo con redes neuronales convolucionales para detectar las secuencias de ARN.

Resumen

Los métodos computacionales analizan las propiedades de la estructura del microARN a partir del precursor pre-microARN, las características de estructura primaria, secundaria y propiedades termodinámicas de esta molécula, con esto es posible diferenciar el microARN de otras secuencias genéticas que comparten estructuras similares. De esta manera, los métodos computacionales analizan cientos de miles de secuencias para que aquellas con mayores resultados positivos sean las que se analicen posteriormente en laboratorios. El presente trabajo de investigación se enfocó en validar la posibilidad de usar un enfoque de aprendizaje profundo, deep learning en inglés (DL), para el proceso de análisis.

Recientemente se ha encontrado que el DL obtiene mejores resultados que el aprendizaje de máquina tradicional al momento de analizar imágenes o textos, esto debido a que en el algoritmo, los modelos generan las características relevantes a procesar, al mismo tiempo que aprenden de los datos. Basados en esto, la presente investigación trabaja codificando las secuencias primarias y secundarias candidatas en una imagen RGB y después usar un modelo de redes neuronales convolucionales, convolutional neural network (CNN’s) en inglés, para hacer la predicción y analizar estas características que pueden ser mapeadas a reglas biológicas para el estudio del microARN. Las CNN’s funcionan como filtros de características de imágenes que a su vez van aprendiendo cuáles filtros son más convenientes para las características buscadas; mejorando la exactitud de los resultados por pre-entrenamientos para la red.

Conclusiones

La red se entrenó usando la base de datos de miRBASE, y posteriormente se usó en bases de datos de ARN humano. El algoritmo mostró muy buenos resultados en cuanto a la velocidad de procesamiento y enfoque en la regiones correspondientes a la base de pares que existen en un pre-microARN. Se comprueba que el método de DL con CNN’s puede ser usado para clasificar las secuencias de microARN. Sin embargo, la investigación sigue avanzando y se espera que las características sean validadas por expertos biólogos en el tema.