Algoritmos genéticos como mecanismo para modelar interacciones genéticas utilizando información observada en distintos tiempos

Resumen

Los modelos de interacción genética corresponden a grafos ponderados que se generan a partir
de replicaciones de abundancia genética en distintos tiempos de observación, en donde cada
arista con peso es una probabilidad de asociación genética. Estos modelos de interacciones
son herramientas empleadas por los investigadores en biología para comprender las relaciones
genéticas. Dos algoritmos genéticos fueron desarrollados para modelar interacciones genéticas
a partir de información de entrada obtenida en experimentos científicos (abundancia genética),
en donde un algoritmo sigue un esquema tradicional, mientras que el otro (no tradicional) se
basa en la etapa de ‘crossover’, con la aplicación de la mutación de manera poco frecuente.
Ambos algoritmos genéticos evolucionan una población actual conformada por grafos acíclicos
dirigidos para producir una nueva población, en donde cada grafo representa un modelo
Bayesiano para una posible interacción genética. El ‘fitness’ empleado en los algoritmos
genéticos consiste en la probabilidad relativa posterior en la que un modelo Bayesiano se ajusta
a las replicaciones de abundancia genética. Estas probabilidades Bayesianas son calculadas
utilizando una de las tres técnicas de análisis: cotemporal, estado siguiente del primer orden y
estado siguiente del segundo orden. Los modelos de interacción genética ponderados reflejan
los grafos acíclicos dirigidos y sus probabilidades presentados en la última población de cada
una de las numerosas ejecuciones independientes del algoritmo genético. Empleando un set
de genes simulado, ambos algoritmos genéticos encuentran las señales que se han diseñado
y se mantienen consistentes entre paradigmas. También, se presentan modelos empleando un
set de datos de la abundancia genética obtenida a partir del estudio de la planta Arabidopsis
thaliana estimulada por la hormona auxina.