Predicción genómica multimodal : Integración de datos genómicos y ambientales para estimar el rendimiento en maíz mediante Aprendizaje Automático.

Abstract

La predicción genómica consiste en predecir distintos fenotipos, es decir, las características observables de un organismo, a partir de su información genómica. Esta información viene dada por el ADN y se representa por la secuencia de bases que lo componen. Esto hace que el problema de la predicción genómica, sea un problema interesante de abordar con algoritmos de Aprendizaje Automático, ya que los modelos pueden ser entrenados para aprender a mapear secuencias de bases a valores de los fenotipos de interés. Si bien los datos genómicos son útiles, factores ambientales como el clima y las condiciones del suelo influyen significativamente en la expresión de los fenotipos. En este proyecto exploraremos la integración de datos genómicos y ambientales para mejorar la predicción de fenotipos, utilizando un enfoque multimodal. Para esto, utilizaremos una base de datos de maíz que contiene secuencias genómicas y variables ambientales, como datos históricos de clima, datos del suelo, etc. Al igual que en los proyectos de fin de carrera “PredGenIA” y ”DNAI”, los cuales inspiran esta investigación, utilizaremos modelos estadísticos y de Aprendizaje Automático para la tarea de predicción genómica. En este caso utilizaremos modelos lineales mixtos, gradient boosting y redes neuronales, con una arquitectura multimodal para integrar los datos genómicos con los ambientales. El objetivo principal de este proyecto es implementar y comparar estos modelos para evaluar el impacto de los datos ambientales en la predicción genómica. Los resultados muestran cómo la integración de datos multimodales mejora la capacidad de capturar las interacciones genoma-ambiente, ofreciendo predicciones de fenotipos más robustas y realistas.