Resumen

Los conjuntos de datos proteómicos suelen estar incompletos debido al rango de identificación y a problemas de sensibilidad. Es importante desarrollar metodologías para estimar los datos proteómicos que faltan, permitiendo una mejor interpretación de los conjuntos de datos proteómicos y los mecanismos metabólicos subyacentes a los sistemas biológicos complejos. En este estudio, aplicamos una red neuronal artificial para aproximar las relaciones entre conjuntos de datos transcriptómicos y proteómicos afines de Desulfovibrio vulgaris, y para predecir la abundancia de proteínas para las proteínas no detectadas experimentalmente, basándonos en varios predictores relevantes, como la abundancia de ARNm, el papel celular y el recuento de codones triples. Los resultados mostraron que los coeficientes de determinación de los modelos de red neuronal entrenados oscilaban entre 0,47 y 0,68, proporcionando un mejor modelado que varios modelos de regresión anteriores. La validez del modelo de red neuronal entrenado se evaluó utilizando información biológica (es decir, operones). Para tratar de comprender los mecanismos que causan la falta de datos proteómicos, utilizamos un análisis de regresión logística multivariante y el resultado sugirió que algunos factores clave, como el índice de inestabilidad de proteínas, el índice alifático, la abundancia de ARNm, el número efectivo de codones (Nc) y los valores del índice de adaptación de codones (CAI) pueden atribuirse a la posibilidad de detectar una determinada proteína expresada. Además, demostramos que la interpretación biológica puede mejorarse mediante el uso de conjuntos de datos proteómicos imputados.

• Materias:Genes Genética Molecular Ácido ribonucleico (ARN) Genoma Proteómica
• Subjects:Genes Molecular Genetic Ribonucleic acid (RNA) genome Proteomics
• Palabras claves:conjuntos de datos proteómicos, abundancia de ARNm, datos proteómicos, análisis de regresión logística multivariante, varios modelos de regresión anteriores, red neuronal artificial, índice de adaptación de codones, sistemas biológicos complejos, modelo de red neuronal, modelos de red neuronal
• Keywords:proteomic datasets, mRNA abundance, proteomic data, multivariate logistic regression analysis, several previous regression models, artificial neural network, codon adaptation index, complex biological systems, neural network model, neural network models