GREAC: An Open-source software for Genome Region Extraction and Classification

Resumen Técnico: GREAC - Un software de código abierto para la Extracción y Clasificación de Regiones Genómicas

Planteamiento del Problema
El análisis de secuencias genómicas enfrenta un desafío dual: el crecimiento exponencial de los datos de secuenciación de alto rendimiento y las limitaciones computacionales de los métodos tradicionales basados en el alineamiento. Las técnicas basadas en alineamiento identifican regiones homólogas, pero dependen de una programación dinámica computacionalmente intensiva, lo que crea cuellos de botella para conjuntos de datos a gran escala. Por el contrario, los métodos libres de alineamiento, particularmente aquellos que utilizan frecuencias de k-meros, ofrecen escalabilidad pero a menudo exacerban la "maldición de la dimensionalidad" al convertir las secuencias en vectores de características de alta dimensión. Esta alta dimensionalidad aumenta la complejidad computacional, las demandas de almacenamiento y el riesgo de sobreajuste, a menudo oscureciendo la interpretabilidad biológica de los resultados. Existe una necesidad crítica de métodos que reduzcan la dimensionalidad sin perder información biológica crucial, manteniendo al mismo tiempo la transparencia y la explicabilidad en el descubrimiento de patrones sin depender de genomas de referencia.

Metodología
Los autores presentan GREAC (Genomic Region Extraction and Classifier), una novedosa metodología computacional impulsada por datos y libre de alineamiento, implementada en el lenguaje Julia. El enfoque está diseñado para identificar regiones genómicas discriminativas y clasificar secuencias biológicas a través de un flujo de trabajo de tres fases:

1. Extracción de k-meros Exclusivos de Variantes:
   El método comienza identificando k-meros que son únicos para variantes específicas dentro del conjunto de datos de entrada. A diferencia de los enfoques que comparan contra un genoma de referencia, GREAC deriva estos k-meros únicamente de la información inherente de las secuencias de entrada. Emplea una función de máxima entropía (similar a GRAMEP) para seleccionar los k-meros más informativos, asegurando que solo se retengan los k-meros que son exclusivamente únicos de una sola variante, eliminando así las secuencias compartidas o no discriminativas.

2. Identificación de Regiones Discriminativas:
   Utilizando un enfoque de ventana deslizante, el algoritmo escanea el genoma para localizar regiones que contienen los k-meros exclusivos identificados. El tamaño de la ventana se calcula como un porcentaje de la longitud de la secuencia más corta en el conjunto de datos para dar cabida a las variaciones de longitud. Un contador posicional genera un histograma de frecuencia para cada variante; las regiones que exceden un umbral de aparición específico a través de las muestras de entrenamiento son seleccionadas como discriminativas. Para manejar las desviaciones en la longitud de la secuencia, se aplica un margen de seguridad durante la extracción. Estas regiones seleccionadas se unifican luego en una conjunción posicional para asegurar una representación consistente entre las variantes.

3. Construcción de Señal y Clasificación:
   El método construye un perfil de señal de referencia para cada variante basado en la frecuencia relativa de los k-meros dentro de las regiones extraídas. Para la clasificación, GREAC calcula la distancia entre la señal de una nueva secuencia y las distribuciones de referencia utilizando la distancia de Manhattan.

   • Estrategias de Clasificación: El artículo evalúa dos enfoques de clasificación. El primero utiliza una función de membresía Gaussiana para asignar puntuaciones de pertenencia probabilística basadas en la distancia. El segundo, que fue seleccionado para la implementación final debido a las restricciones de rendimiento y despliegue, emplea un clasificador de Bosques Aleatorios (Random Forest). Este enfoque basado en árboles utiliza características derivadas de las señales de referencia, incluyendo valores de membresía y divergencia de la señal (variaciones entre ventanas consecutivas), para lograr una alta precisión.

Contribuciones Clave

• Reducción de Dimensionalidad: GREAC reduce significativamente el volumen de datos requeridos para el análisis al enfocarse solo en regiones genómicas informativas en lugar de secuencias completas.
• Operación Libre de Referencia: El método opera sin la necesidad de un genoma de referencia, eliminando el sesgo introducido por la selección de la referencia y permitiendo el análisis de secuencias novedosas o altamente divergentes.
• Explicabilidad: Al extraer directamente k-meros discriminativos y mapearlos a coordenadas genómicas específicas, GREAC proporciona resultados transparentes. Las regiones identificadas pueden correlacionarse directamente con características biológicas (por ejemplo, secuencias codificantes, elementos reguladores).
• Implementación de Código Abierto: El software está disponible gratuitamente, es modular y está diseñado para la adaptación de la comunidad, con funciones integradas para la extracción de características, el ajuste de parámetros, la evaluación comparativa y la clasificación.

Resultados
La metodología fue validada en cinco conjuntos de datos virales diversos: SARS-CoV-2, VIH-1, Dengue (DENV), Hepatitis B (HBV) y Viruela del Mono (Monkeypox). Los hallazgos clave incluyen:

• Desempeño de la Clasificación: GREAC demostró un desempeño robusto en todos los conjuntos de datos. En pruebas comparativas contra KEVOLVE y CASTOR-KRFE, GREAC alcanzó puntuaciones F1 medias que van desde el 95.95% (SARS-CoV-2) hasta el 98.90% (HBV y VIH). Notablemente, GREAC superó significativamente a KEVOLVE en todos los conjuntos de datos (por ejemplo, 95.95% frente a 4.82% para SARS-CoV-2) y generalmente igualó o superó a CASTOR-KRFE, particularmente en escenarios con datos de entrenamiento limitados donde KEVOLVE tuvo dificultades.
• Reducción de Dimensionalidad: El método logró una compresión de datos sustancial para genomas más grandes. Redujo el conjunto de datos de SARS-CoV-2 aproximadamente un 67.8% y el de la Viruela del Mono un 72.2%. Para genomas más pequeños (HBV, VIH, DENV), la reducción fue marginal (aprox. 100 nucleótidos), lo que refleja la capacidad del método para preservar información densa en genomas compactos mientras comprime datos redundantes en genomas más grandes.
• Relevancia Biológica: Las regiones extraídas mostraron una superposición significativa con elementos funcionales conocidos. Para el SARS-CoV-2, las regiones se localizaron predominantemente en las secuencias codificantes de proteínas estructurales. Para HBV y DENV, las regiones se distribuyeron a lo largo del genoma, alineándose con regiones génicas conocidas y estructuras secundarias de ARN. Las regiones identificadas también se superpusieron con eventos mutacionales de alta frecuencia reportados por Nextstrain.

Significado
El artículo posiciona a GREAC como una herramienta que aborda la necesidad crítica de explicabilidad y transparencia en el análisis genómico. Al enfocarse en regiones informativas en lugar de secuencias completas, el método cierra la breancia entre el aprendizaje automático de alto rendimiento y la interpretabilidad biológica. Los autores afirman que GREAC ofrece una solución escalable y basada en datos que elimina la dependencia de genomas de referencia, lo que lo hace adecuado para detectar variantes virales, caracterizar comportamientos de mutación y comprender mecanismos evolutivos como la especiación y la diferenciación de poblaciones. La naturaleza de código abierto del software asegura la replicabilidad y facilita el desarrollo de aplicaciones biotecnológicas a medida.