Aprendizaje automático

El aprendizaje automático en la investigación de nanoporos se refiere a métodos computacionales que extraen patrones a partir de señales eléctricas brutas, datos de secuenciación de ADN, alineamientos de secuencias y datos de control de calidad. Esto es importante porque las mediciones realizadas mediante nanoporos suelen ser prolongadas, ruidosas, depender del contexto y, a menudo, se producen en tiempo real.

Por qué es importante

Los dispositivos de nanoporos miden los cambios en el flujo iónico o en las señales relacionadas cuando las moléculas pasan a través de un poro o interactúan con él. La misma molécula puede generar diferentes trazas de señales en función de la química del poro, la velocidad del motor, la temperatura, la preparación de la muestra, los componentes electrónicos y las bases vecinas. El aprendizaje automático ayuda a relacionar estas señales variables con interpretaciones biológicas o químicas.

Los usos principales incluyen:

Basecalling: la conversión de una señal bruta en una secuencia de ADN o ARN.
Detección de modificaciones en la base: identificación de la metilación y otras modificaciones de nucleótidos directamente a partir de la señal.
Segmentación de señales: detección de eventos, interrupciones, adaptadores, poros y límites de lectura.
Control de calidad: predicción de la fiabilidad de la lectura, el estado de los poros, la contaminación y el rendimiento del proceso.
Muestreo adaptativo: decidir en tiempo real si continuar secuenciando una molécula.
Análisis de variantes y consenso: combinación de lecturas detalladas de secuencias genéticas con perfiles de errores basados en modelos matemáticos.

Tareas representativas

Tarea	Entrada típica	Resultado ejemplo	Por qué es difícil
Basecalling	Señal actual en bruto o señal POD5/FAST5	Lecturas FASTQ con puntuaciones de calidad	La velocidad de la señal varía y las bases vecinas afectan los niveles actuales.
Detección de bases modificadas	Alineación de señales y referencias	Modificaciones de tipo 5mC, 5hmC, m6A u otras	Las bases modificadas y no modificadas pueden presentar diferencias sutiles en las señales, que dependen del contexto.
Muestreo adaptativo	Señal de transmisión o secuencia de base llamada tempranamente	Decisión de aceptar/rechazar una molécula	La decisión debe ser lo suficientemente rápida como para actuar durante el proceso de secuenciación.
Detección de eventos	Rastro actual de series temporales	Eventos de translocación o unión de candidatos	Ruido, desviación, variación de poros y eventos cortos pueden oscurecer los límites.
Monitoreo en ejecución	Resumen de secuenciación, longitud de lectura, estado de los poros, métricas de calidad	Alertas y resúmenes de calidad	Las métricas cambian con el tiempo y varían según el protocolo.

Ejemplos notables

DeepNano utilizó redes neuronales recurrentes para el proceso de basecalling (determinación de secuencias de ADN) del proyecto MinION de código abierto, y demostró cómo los modelos aprendidos podían reducir los errores en la lectura de datos a través de nanoporos.
MinCall exploró el proceso de basecalling mediante redes neuronales convolucionales de extremo a extremo, combinando este método con un modelo de secuencias de estilo CTC (Connectionist Temporal Coding).
Bonito, Guppy y Dorado representan métodos modernos de análisis de datos basados en redes neuronales que se utilizan en los flujos de trabajo de Oxford Nanopore.
Los llamadores de base con agrupación dinámica (dynamic-pooling basecallers), como Heron y Osprey, abordan la velocidad de translocación de moléculas variables adaptando el comportamiento de agrupación (pooling) en las redes neuronales.
Los proyectos de «basecalling» conscientes del hardware, como RUBICON, estudian cómo hacer que los algoritmos de basecalling neuronal sean más rápidos y menos consumidores de memoria.
Los herramientas de modificación de bases (modified-base tools), como los modelos de señales al estilo Nanopolish y los enfoques neuronales más recientes, permiten el análisis directo de la metilación o de otras modificaciones en el ADN sin la necesidad de convertirlo previamente con bisulfito.
Los herramientas de muestreo adaptativo utilizan un análisis rápido de señales o secuencias para enriquecer los objetivos de estudio o eliminar las moléculas no deseadas durante el proceso de muestreo.

Buena práctica

Los resultados del aprendizaje automático deben interpretarse teniendo en cuenta el contexto experimental. Un modelo entrenado con ciertas condiciones químicas, un kit específico, un organismo en particular, una modificación en la estructura de la base de datos o una versión concreta de un software puede no transferirse perfectamente a otro entorno. Los informes deben indicar la versión del modelo, los datos utilizados para el entrenamiento o la calibración, el genoma de referencia, los umbrales utilizados y el método de validación, siempre que sea posible.

Peligros comunes

Tratar la salida del modelo como información fidedigna sin realizar una validación ortogonal.
Comparar herramientas en diferentes químicas de poros o versiones de basecaller sin controles.
Ignorar el calibrado, el desequilibrio de clases y las tasas de falsos positivos en el análisis de bases modificadas.
Se informa únicamente sobre la precisión a nivel de lectura, ignorando la precisión del consenso o la precisión de las tareas posteriores.
Usar nombres de modelos propietarios sin registrar las versiones del software ni los parámetros correspondientes.

Artículos y recursos seleccionados

Boza V, Brejova B, Vinar T. DeepNano: Redes neuronales recurrentes profundas para el análisis de secuencias de ADN en lecturas realizadas por nanoporos MinION. 2016.
Wick RR, Judd LM, Holt KE. Rendimiento de las herramientas de basecalling basadas en redes neuronales para el secuenciamiento con Oxford Nanopore. Genome Biology. 2019.
Miculinic N, Ratkovic M, Sikic M. MinCall: MinION, una base de datos de llamadas para el aprendizaje profundo convolucional de extremo a extremo. 2019.
Kovaka S, Fan Y, Ni B, Timp W, Schatz MC. Secuenciación de nanoporos dirigida mediante el mapeo en tiempo real de la señal eléctrica bruta con UNCALLED. Nature Biotechnology. 2021.
Boza V, Peresini P, Brejova B, Vinar T. El agrupamiento dinámico mejora la precisión de las llamadas a las bases de nanoporos.. 2021.
Singh G et al. RUBICON: Un marco para diseñar herramientas de análisis genómico basadas en aprendizaje profundo eficientes. 2022.
Wang Z et al. Adaptación de modelos de basecalling para la secuenciación de nanoporos para la detección de modificaciones mediante aprendizaje incremental y detección de anomalías. Nature Communications. 2024.
Oxford Nanopore Technologies. Dorado basecaller y herramientas relacionadas.