Applications of Artificial Intelligence for predictive genomics and phenotyping

Resumen

En esta tesis se proponen diferentes formas de aplicar los modelos basados en redes neuronales a diferentes problemas dentro de la investigación en genética vegetal. Para ello se sitúa el foco en tres tareas diferentes y se proponen soluciones para cada una. La primera tarea es la medición y para abordarla se ha desarrollado una herramienta de código abierto que utiliza un modelo de segmentación de instancias. Este modelo se ha entrenado para tres frutos, manzana, pera y almendra y se han implementado medidas específicas para cada uno a fin de facilitar los estudios de forma. Para facilitar el acceso y uso por parte de la comunidad científica se ha desarrollado también una interfaz minimalista. La segunda tarea es la medición en series temporales. Para ello se ha utilizado un modelo de segmentación de instancias y se ha acoplado junto con un nuevo método de asociación. Este método ha permitido un estudio pionero de las diferencias en rendimiento fotosintético entre dos genotipos de Arabidopsis thaliana a nivel de hojas. En este estudio se muestra como los patrones de rendimiento fotosintético a nivel de hoja no siguen el patrón medio en un genotipo mientras que en otro si lo hacen. La última tarea es la predicción de fenotipos. En este caso se ha investigado la aplicabilidad de la inteligencia artificial generativa a la predicción del fenotipo desde marcadores genéticos. La predicción de fenotipos relacionados con la forma y apariencia resulta especialmente compleja dado que la selección de características relevantes puede resultar subjetiva. Por tanto, en esta tesis se demuestra un método de generación de imágenes del fenotipo desde marcadores genéticos (GenoDrawing), así como posibles formas de avanzar esta nueva línea de investigación.

Fecha de lectura	3 oct 2024
Idioma original	Inglés
Supervisor	Maria Jose Aranzana Civit (Director/a)