id192867
BOOSTING TREES METHODS FOR SEX
CHECKING USING THE X CHROMOSOME
ÒSCAR MOLINA SEDANO
Di ec o /a
FERRANMARQUESACOSTA(Depa amen deTeo iadelSenyaliComunicacions)
Codi ec o /a
DANIELMASMONTSERRAT
Ti ulació
G auenin el·ligènciaa i icial
Memò ia del eball de i de g au
Facul a d'In o mà ica de Ba celona (FIB)
Uni e si a Poli ècnica de Ca alunya (UPC) - Ba celonaTech
Ag aïmen s
En p ime lloc ull ag ai al meu u o , Fe an Ma ques Acos a, pe eu e
o ces d’allà on no li queda en, pe po a el meu eball inal de g au. També
en especial a en Daniel Mas Mon se a , co-di ec o d’aques p ojec e pe
po a un seguimen se manal, aconsella -me i guia -me en la bona di ecció.
Alho a ambé m’ag ada ia ag ai a l’Alexande Ioannidis, pe cedi -me l’accés
als seus ecu sos an compu acionals com in el·lec uals.
A la me a amília, pe la se a cu iosi a , l’amo dona i el supo incondi-
cional en o a la me a e apa acadèmica.
2
Índex
1 In oducció 6
2 Mo i ació i Objec ius 9
2.1 Objec ius ............................. 10
2.2 Més enllà d’aques eball .................... 10
3 Ma c Teò ic 12
3.1 Coneixemen Especí ic del Domini ................ 13
3.1.1 ADN i C omosomes .................... 13
3.1.2 Al·lel, Va iacions i SNPs ................. 14
3.2 Tècniques de Seqüenciació .................... 16
3.2.1 E olució His ò ica .................... 16
3.2.2 E o s, Cos s i Rep es .................. 16
3.3 Sex-Checking: Es a de l’A ................... 18
3.3.1 PLINK ........................... 18
3.3.2 seXY ............................ 19
3.3.3 XYalign .......................... 19
3.3.4 seGMM .......................... 19
3.4 Boos ing T ees .......................... 20
3.4.1 G adien Boos ing .................... 21
3.4.2 Algo ismes Des aca s ................... 22
3.4.3 Aplicació al Sex-Checking ................ 23
4 Me odologia 24
4.1 Ob enció de les Dades ...................... 25
4.2 P ep océs ............................. 27
4.3 Mè ode d’A aluació i Da a Augmen a ion ............ 30
4.3.1 Da a Augmen a ion .................... 30
3
4.3.2 Mè ica d’A aluació .................... 31
4.4 En enamen del Model ...................... 32
4.4.1 Baseline .......................... 32
4.4.2 T ia d’Hipe pa àme es .................. 37
4.4.3 Assembla ge de Models .................. 40
4.5 Anàlisi Final dels Resul a s ................... 43
5 Fu u e Wo k 46
6 Impac e Ambien al, Econòmic i Social 49
6.1 Impac e Ambien al ........................ 49
6.2 Impac e Econòmic ........................ 50
6.3 Impac e Social ........................... 50
7 Anàlisi dels Aspec es È ics 52
8 Conclusions 54
8.1 Re lexió Final ........................... 56
4
Índex de igu es
3.1 Nomb e de nucleò ids pe c omosoma .............. 14
3.2 Funcionamen de l’algo isme de boos ing. [13] ......... 21
3.3 In uïció de l’algo isme G adien Boos ing. [15] ......... 22
4.1 Demog a ia de la població seqüenciada ............. 26
4.2 Resul a s Baseline en l’in è al 92-99.9% de alo s nuls . . . . 33
4.3 Baseline dels 3 Models Ligh GBM, XGBoos i Ca Boos . . . 34
4.4 E olució de l’op imi zació d’hipe pa àme es amb Ca Boos . 39
4.5 E olució de l’op imi zació d’hipe pa àme es amb Ligh GBM . 39
4.6 E olució de l’op imi zació d’hipe pa àme es amb XGBoos . . 40
4.7 Resul a s del So -Vo ing en l’in e al 90-100 de alo s nuls . . 43
5
Capí ol 1
In oducció
L’àcid desoxi ibonucleic (ADN) és la mol·lècula compos a que con é la in o -
mació genè ica que de ineix i pe me les accions i als així com el desen o-
lupamen , uncionamen i ep oducció de o s els o ganismes conegu s. La
se a o ma de cadena de doble hèlix a se descobe a l’any 1953 pe James
Wa son i F ancis C ick [1]. Des de lla o s, l’ésse humà ha sen i una g an
cu iosi a pe descob i els sec e s i pa ons que s’amaguen codi ica s en
aques a seqüència. Cada pe i agmen de la seqüència de l’ADN és conegu
com a gen, i codi ica ca ac e ís iques especí iques que de e minen des del colo
dels nos es ulls ins a uncions complexes com el me abolisme.
La impo ància de l’ADN ecau en la se a capaci a de ansme e in o -
mació genè ica de gene ació en gene ació, assegu an la pe manència de les
espècies. Pe i es a iacions en la se a seqüència, pe ò, poden dona lloc a
conseqüències signi ica i es. Aques es pe i es a iacions, ambé conegudes
com a mu acions, poden se ino ensi es o inclús bene icioses, con ibuin a la
di e si a genè ica i a l’e olució. Malau adamen , al es a iacions poden se
pe judicials pe a la nos a salu . Tan és així que ens poden e més p opensos
a pa i malal ies i as o ns en conc e , al e an la o ma o uncionamen del
cos i suposan un isc g eu pe a la ida de l’indi idu. Pe exemple, una sola
mu ació al gen HBB causa l’anèmia alci o me, una malal ia que a ec a a la
o ma i unció dels glòbuls e mells [2].
Al lla g de la his ò ia, els humans hem busca comp end e la na u alesa
de l’ADN i com desxi a el seu codi. Els p ime s mè odes de seqüenciació,
desen olupa s en la dècada del 1970 pe F ede ick Sange , pe me ien desxi a
agmen s d’ADN de mane a ela i amen p ecisa, o i que amb un ele a
cos econòmic i empo al. Amb el emps, les ècniques de seqüenciació
6
han e oluciona signi ica i amen ins a ui dia, amb la seqüenciació de no a
gene ació (NGS, de l’anglés Nex -Gene a ion Sequencing).
Aques es inno acions han acili a la eali zació d’es udis genè ics pe p e-
di possibles anomalíes i comp end e millo di e ses ca ac e ís iques humanes.
En o s els casos, hi ha un pas onamen al: el sex-checking. Es ac a de
comp o a si, e ec i amen , el sexe biològic assigna a les dades clíniques es
co espon amb allò que mos en els ma cado s genè ics de l’indi idu. Aques
p ocedimen o quali y-check po e i a e o s mol cos osos que implica i-
en ep ocessa g ans quan i a s de dades i comp ome e la iabili a de les
conclusions de l’es udi.
T adicionalmen , la e i icació del sexe s’ha eali za mi jançan mè odes
basa s en ma cado s especí ics dels c omosomes sexuals o es adís ics, que
calculen la elació en e ells. En el ma c eò ic d’aques eball s’hi en a à més
en p o undi a . No obs an , aques s mè odes p esen en algunes limi acions
en e mes d’e iciència. A ui dia, pe ò, no s’ha explo a l’ús de mè odes
d’in el·ligència a i icial pe a la eali zació del sex-checking. Amb l’apa ició
d’algo i mes d’ap enen a ge au omà ic cada cop més so is ica s i les no es
ècniques de seqüenciació, so geix la possibili a d’au oma i za i e ina
aques con ol de quali a a pa i de g ans olums de dades, amb majo
apidesa i p ecisió.
Aques eball es p oposa demos a que mè odes de machine lea ning,
més conc e amen de boos ing ees poden du a e me de o ma iable i e icaç
el pas de e i icació del sexe biològic. En a egi , es eali za à únicamen
amb dades genòmiques del c omosoma X que o s els humans compa im.
La in eg ació de ècniques d’in el·ligència a i icial en la genè ica no sols
op imi za p ocessos exis en s, sinó que ambé con ibueix al p og és de camps
com la medicina pe sonali zada i la in es igació biomèdica.
La memò ia d’aques eball inal de g au es à di idida en di e sos capí ols.
En el capí ol 2, es p esen a i discu eix la mo i ació i els objec ius del eball en
més de all. To segui , en el capí ol 3, es de alla la in o mació eò ica necessà ia
pe comp end e el eball eali za i les decisions p eses des dels concep es
bàsics del domini ins els cos s ac uals d’alguns dels p ocessos. El capí ol 4
p e èn mos a de alladamen com i des d’on s’ha du a e me l’adquisició
i p ep ocessa de les dades, jun amb el desen olupamen cíclic del model
inal, des de la selecció d’un model baseline ins a la ia d’hipe pa àme es
i l’assembla ge de di e sos models. Cada secció ani à acompanyada d’uns
esul a s pa cials. Aques ipus de documen ació ha es a escollida pe al
de e lec i el p océs d’ap enen a ge que s’ha p odui du an el eball. Pe
7
aques mo iu, els esul a s inals se an comen a s en aques a ma eixa secció.
En el capí ol 5es de alla el eball u u dedica a comple a aques eball
ins a iba a l’eina lles a pe dis ibui i posa a disposició de la comuni a
cien í ica. Finalmen , en els capí ols 6,7i8es eali za à un es udi de l’impac e
ambien al, econòmic i social, segui d’una b eu anàlisi dels aspec es è ics i les
conclusions inals.
8
Capí ol 2
Mo i ació i Objec ius
La in el·ligència a i icial és una disciplina en cons an e olució que es à
ans o man nomb osos camps d’in es igació com a a la medicina o la biologia.
Des que aig comença els es udis uni e si a is en aques a à ea m’he sen i
especialmen a e pe l’impac e que aques a no a eina po eni en l’àmbi
mèdic. Amb el emps, aques a ascinació s’ha ana con e in en un p opòsi :
apo a el meu g a de so a a la comuni a cien í ica pe a que aques es
ecnologies eme gen s con ibueixin a sal a ides i millo a la quali a de les
pe sones.
Aques eball inal de g au és un pas cap aques objec iu, i so geix
p ecisamen amb aques a in enció: c ea un sis ema de e i icació del sexe
biològic (sex-checking) que sigui p ecís i àcil d’in eg a en els luxos de eball
de qualse ol labo a o i o cen e d’in es igació genè ica.
El sex-checking és un p ocedimen onamen al en els es udis genè ics, dona
que assegu a la co espondència en e el sexe biològic decla a i l’obse a
en els ma cado s genè ics de l’indi idu. La se a impo ància adica en que
és eqüen que du an els es udis genè ics es p odueixin les anomenades
misclassi ica ions (assignacions inco ec es) del sexe biològic de l’indi idu.
Aques es poden esde eni a causa de múl iples aons com inconsis ències en
les dades clíniques, e ades en la in e p e ació o e o s du an la ecol·lecció
de les mos es. De ec a i co egi aques es e ades és onamen al pe eali za
un es udi genè ic de quali a . L’al e p oblema adica en la p ecisió de la
seqüenciació, ja que, o i ha e millo a conside ablemen en els úl ims anys,
les ècniques ac uals donen lloc a l’e o . Així doncs, eni un mè ode capaç
de gene ali za co ec amen a dades amb so oll és c ucial.
La idea inicial d’aques p ojec e a so gi g àcies al D . Daniel Mas
9
3.2 Tècniques de Seqüenciació
3.2.1 E olució His ò ica
Mè odes Clàssics: Sange i Maxam-Gilbe Els p ime s mè odes
desen olupa s als anys 70, com el mè ode de Sange [5] o Maxam-Gilbe , an
suposa un pun d’in lexió en la genòmica. Aques es ècniques es ca ac e i -
za en pe una al a p ecisió en seqüències cu es, pe ò p esen a en limi acions
impo an s en e mes de cos i emps.
Seqüenciació de No a Gene ació (NGS) Amb l’apa ició de ecnologies
com Illumina [6], es a assoli una pa al·leli zació massi a que a pe me e
edui signi ica i amen els cos os i el emps necessa is. Tanma eix, aques a
e apa a in odui nous ep es, com la necessi a d’eines bioin o mà iques
a ançades.
Des d’aques pun , al 2008, els cos s an comença a disminui d às ica-
men , supe an millo a espe ada pe la llei de Moo e. Això coincidí jus amen
amb la ansició de ecnologies de p ime a gene ació a nex -gene a ion se-
quencing.
Tecnologies de Te ce a Gene ació Tecnologies com PacBio [7] o Ox o d
Nanopo e han e possible ob eni long eads, essencials pe anali za egions
complexes del genoma. No obs an això, aques es ècniques enca a p esen en
un pe cen a ge d’e o s més ele a .
3.2.2 E o s, Cos s i Rep es
Aques a secció es basa en les dades i la in o mació pública compa ida pe
l’Ins i u Nacional d’In es igació pe Genoma Humà (NHGRI) i els a icles
cien í ics ci a s en ell [8] [9] [10].
Els cos s de seqüenciació es poden mesu a en dues mè iques semblan s:
el cos pe megabase d’ADN, que de e mina el cos de seqüencia 1M de bases
d’ADN, i el cos pe genoma, que es ima el cos de seqüencia un genoma
humà comple . En aques a secció es a à e e ència a aques a segona mè ica.
Cal eni en conside ació que aques es despeses són una suma dels cos s que
han eque i les múl iples e apes del p océs. Això inclou ma e ial químic,
pe sonal, ges ió, p ocessamen de dades, i al es cos s elaciona s.
16
Un dels p ojec es cien í ics més g ans dins el camp de la genè ica a se el
P ojec e del Genoma Humà (HGP), inicia sob e l’any 1999. Aques p ojec e
a se capaç de gene a una seqüencia de e e ència (3 mil milions de bases)
quasi pe ec a, amb un e o es ima meno a una base de cada 100 mil.
S’es ima que, sols pe la plani icació i o gani zació de les dades, ja es an
des ina desenes de milions de dòla s. Pe a la seqüenciació inicial no e inada
s’hi an des ina
∼
300 milions. Finalmen , en l’e apa inal del p ojec e al
2003, es a aconsegui la seqüència de e e ència amb un cos addicional de
més de 150 milions. En o al s’es ima que el cos d’aconsegui -ho a se al
ol an de 750 milions de dòla s.
Al 2006, op imi zan els p ocessos que s’ha ien du a e me en el p ojec e
o iginal, es a aconsegui edui aques nomb e a
∼
20 milions. Més enda an ,
al 2015, l’a ibada de les ècniques de no a gene ació a edui d às icamen
aques nomb e, ins a iba als pocs mile s de dòla s (∼$4000).
A dia d’a ui els cos os a ien en e cen ena s i pocs mile s, i s’hi p e eu
una educció menys p onunciada pe ò no able. To i així, les ècniques poden
pa i e o s de p ecisió i eali za assignacions e ònies. Des del sec o genè ic
s’es à eballan pe edui -les, anma eix s’ha d’assumi la ecnologia amb
la què comp em al dia d’a ui. A con inuació es mencionen els e o s més
comuns:
•E o s sis emà ics: inse cions, delecions o can is en les bases.
•
P oblemes amb c omosomes sexuals: de ecció inco ec a de c o-
mosomes X o Y.
•Con aminació de mos es: ba eja d’ADN de di e en s indi idus.
Des del sec o in o mà ic i d’anàlisi de les dades que ens p opo cionen
podem col·labo a en edui el ma ge d’e o eali zan con ols de segu e a
oquali y checks amb les eines que disposem. Un d’aques s és el sex-checking,
pe e i ica que el sexe biològic assigna sigui el que es co espon amb les
dades genè iques. En els úl ims anys han so gi di e ses p opos es que usen
mè odes di e sos, no basa s en el camp de la in el·ligència a i icial. En la
següen secció s’hi a un anàlisi en de all.
17
3.3 Sex-Checking: Es a de l’A
Whole Genome Sequencing s. Ta ge ed Gene Sequencing Les
ècniques de seqüenciació de no a gene ació pe me en adqui i in o mació
genè ica di igida, anomenada en anglès TGS (Ta ge ed Gene Sequencing).
Es ac a d’un subconjun pe i del que s’anomena WGS (Whole Genome
Sequencing), que ep esen a o el genoma comple d’un indi idu. Aques a
és p ecisamen la que pe me ob eni els SNPs que, com s’ha menciona
an e io men , con enen la majo ia d’in o mació elle an pels es udis genè ics.
Pels es udis genè ics ac uals, no es seqüencia o el genoma sence , sinó
p ecisamen seccions especials que con enen els SNPs desi ja s pe anali za .
És pe això que els mè odes de sex-checking olem que siguin e icien s i
p ecisos pe aques ipus de dades. A con inuació es mos a un anàlisi dels
mè odes ac uals.
3.3.1 PLINK
PLINK, desen olupa al 2007, a se una de les p ime es p opos es compu-
acionals pe in e i el sexe a pa i de dades genòmiques. Aques so wa e
inco po a mol íssimes uncionali a s di e en s i ú ils pe al ac amen de
dades genè iques. En el capí ol 4en eu em un ús. Aques a eina, pe eali za
un sex-checking calcula el coe icien
F
, basa en la homo/he e ozigosi a
del c omosoma X. Les mos es es classi iquen com a masculines o emenines
segons la següen unció:
gende (F) =
male i F > 0.8
emale i F < 0.2
Si el coe icien es oba en l’in e al ince (0
.
2
,
0
.
8), una ece ca addicional
és eque ida i pod ia se signe d’alguna anomalia genè ica. El mè ode de
PLINK eque eix d’una quan i a subs ancial de a ian s en el c omosoma X
i eqüències al·lèliques pe a pode es ima co ec amen el coe icien .
En p o es eali zades amb dades TGS, PLINK a mos a limi acions.
Pe exemple, en un panel de 1000 gens (incloen 34 de l’X i 2 de l’Y) de 208
mos es del 1000 Genome P ojec (1KGP) [11], la se a p ecisió gene al a
se de 81.44% amb un cla desbalanceig en e classes, essen la p ecisió de
48.28% en els mascles i del 100% en les emelles.
18
3.3.2 seXY
seXY, desen olupada l’any 2017, u ili za un model de eg essió logís ica pe
a classi ica el sexe basan -se en dues mè iques p incipals: l’he e ozigosi a
del c omosoma X i l’absència de lec u es en el c omosoma Y. Es a en ena
usan una base de dades de GWAS especí ica pe a es udis de cànce de
p òs a a i d’o a i. To i que a mos a un bon endimen en aques s casos,
al asllada -lo a da ase s TGS més gene als, la se a p ecisió disminueix.
A aluan-lo ambé en el ma eix ex ac e del 1KGP, seXY a aconsegui
una p ecisió gene al de an sols un 62.5%, amb un 45.45% pels mascles i un
81.63% pe les emelles. Aques es xi es cla amen e lexen una manca de
capaci a de gene ali zació de l’eina.
3.3.3 XYalign
XYalign, in odui l’any 2019 pe anali za dades WGS i WES (exoma en
comp es de genoma), u ili za la p o undi a de les lec u es mapejades als
c omosomes X i Y, no mali zades en elació al c omosoma 1. Aques mè ode
gene a g à ics de dispe sió on es classi iquen les mos es segons a is de lec u a.
En el ma eix conjun del 1KGP, XYalign a aconsegui una p ecisió mol
més ele ada, del 98.08%, amb una de ecció pe ec a de la classe masculina i
del 95.92% en les dones. No obs an això, aques mè ode enca a p esen a a
algunes limi acions com la necessi a de eali za una in e p e ació isual pe
de e mina el sexe d’alguns indi idus. Un exemple d’això són algunes mos es
de dones que an cau e o a de les à ees de les el·lipses de inides, gene an
ambigüi a s.
3.3.4 seGMM
El mè ode més ecen , seGMM [12], a se dissenya pe supe a les limi acions
dels mè odes p e is en da ase s TGS. Basa en un Gaussian Mix u e Model
o model de gaussianes mix es, u ili za ca ac e ís iques o ea u es de i ades
dels c omosomes X i Y, com XH (he e ozigosi a del c omosoma X), Xmap,
Ymap (lec u es mapejades al ch X i Y), XY a io i p o undi a de les lec u es
en la secció de e minan del c omosoma Y. Amb aques es ca ac e ís iques
ex e es en ena en el model p edic o . Pe l’en enamen usa en dades en
o ma s BAM i VCF.
19
En el ma eix subconjun de 1KGP an ob eni una p ecisió al ol an del
99.52%, amb una p ecisió del 100% pels homes i del 98.98% pe les dones. No
obs an , aques mè ode eque eix de mol a in o mació an del c omsoma X
com de l’Y, així com les dades de a quin c omosoma sol es a associa cada
SNP en especí ic, pe cons ui les ea u es necessà ies.
Aques eball inal de g au aspi a a aconsegui un model d’al a p ecisió
capaç d’iguala a seGMM i que no eque eixi d’in o mació addicional a pa
de les dades genòmiques del c omosoma X. En la següen secció s’explica
b eumen el uncionamen dels mè odes escolli s i pe què són una bona opció
pe e on a aques ipus de p oblema.
3.4 Boos ing T ees
Els Boos ing T ees són una ècnica pode osa de l’ap enen a ge au omà ic que
combina múl iples models d’a b es de decisió pe a millo a la p ecisió i la
obus esa de les p ediccions. En aques apa a s’explo a el seu uncionamen
a ni ell concep ual, la se a elació amb al es ècniques d’assembla ge com
el bagging i els andom o es s així com el pe què de la ia pe a la se a
aplicació al p oblema del sex-checking amb dades genòmiques.
El boos ing és una ècnica d’assembla ge que cons ueix models de mane a
seqüencial, on cada model in en a co egi els e o s dels models an e io s.
En comp es de c ea models independen s, en ena s en un subconjun de les
dades, com és el cas dels mè odes de bagging, el boos ing a èm asi en aquelles
mos es que han queda mal classi icades en i e acions an e io s. Això pe me
edui els biaixos que les dades puguin con eni i ambé ajus a de millo
mane a el model sense cau e àpidamen en l’o e i ing.
Aques s models, a l’inici del seu en enamen solen comença amb un
a b e de decisió base o s ump. És lla o s on cada model pos e io ajus a les
se es p ediccions basan -se en les di e ències de les p ediccions ob ingudes pel
model an e io i els alo s eals. En e mes ma emà ics, dona un conjun de
dades
{
(
xi, yi
)
}n
i=1
, el model
F
, p oduc e de combina els
M
p ime s a b es
de decisió, ind ia dona pe la següen exp essió:
F(x) =
M
X
m=1
γmhm(x),(3.1)
on
hm
és l’a b e de decisió de la i e ació
m
i
γm
es el pes associa al model.
20
En l’algo isme de boos ing clàssic, la millo a es oba en l’impac e que é
cada dada indi idual espec e a l’a b e nou. És a di , un cop s’ha a alua
l’a b e inicial, les dades pi jo classi icades eb an un pes majo pe a l’en e-
namen de l’a b e nou. Finalmen , en base a la quan i a de classi icacions
co ec es que cada a b e hagi ob ingu , se li assigna à un pes majo o meno
en l’assembla ge inal.
Figu a 3.2: Funcionamen de l’algo isme de boos ing. [13]
En la igu a an e io es mos a el p océs de boos ing clàssic. Cada ec angle
es co espon a una mos a. L’alçada d’aques ec angle es co espon amb
el pes associa a ella. Els icks i les c eus indiquen si l’a b e en qües ió ha
classi ica co ec a o inco ec amen la mos a. La mida de l’a b e de decisió
indica quin pes é en el model p edic iu inal.
3.4.1 G adien Boos ing
En la e sió millo ada, anomenada g adien boos ing [14], en comp es d’ajus a
els pesos de les dades explíci amen , aques a e isó o mula el p oblema com
la minimi zació d’una unció de loss di e enciable
L
(
y, F
(
x
)). En cada i e ació
21
es cons ueix un nou a b e que ap oxima els e o s del model ac ual. Aques s
e o s ep esen en la di ección en la qual el model s’ha d’ajus a pe edui -los.
Al inal de cada i e ació, doncs, el model acumula se à l’an e io més un pe i
pas en la di ecció que minimi za l’e o , al i com indica la següen ò mula:
Fm(x) = Fm−1(x) + l hm(x),(3.2)
on
l
és el lea ning a e o axa d’ap enen a ge, que con ola en quina
mesu a l’a b e con ibueix al model inal.
La següen il·lus ació o e eix una isió in uï i a de com unciona l’algo-
isme:
Figu a 3.3: In uïció de l’algo isme G adien Boos ing. [15]
3.4.2 Algo ismes Des aca s
En els úl ims anys han so gi di e ses implemen acions de l’algo isme pe
pa d’emp eses i indi iduals. Aques es són les que s’implemen a an du an
el anscu s del p ojec e:
22
•
XGBoos (Ex eme G adien Boos ing) [16]: In odui pe Chen
i Gues in l’any 2016, aques a és una implemen ació op imi zada que
inco po a egula i zació pe e i a l’o e i ing. És al amen e icien
g àcies a millo es aplicades com el p ocessamen en pa al·lel i un maneig
e icien de memò ia.
•
Ligh GBM [17]: Desen olupa pe Mic oso l’any 2017, es basa en
his og ames pe accele a la cons ucció d’a b es i edui el consum de
memò ia. És especialmen adequa pe g ans conjun s de dades i d’al a
dimensionali a .
•
Ca Boos [18]: C ea pe Yandex l’any 2018, s’especiali za en el maneig
de dades ca egò iques. U ili za un o d e alea o i pe e i a biaixos en
les dades i és menys p opens a l’o e i ing.
3.4.3 Aplicació al Sex-Checking
El sex-checking implica e i ica la cohe ència en e el sexe biològic decla a i
les ca ac e ís iques genòmiques del c omosoma X. Les dades genòmiques que
es ac a an (com el a xius
. c
) solen eni una al a dimensionali a , dona
que ecap en in o mació d’un g an nomb e de a iables (SNPs) i, en can i,
cons en de poques mos es. És pe aques mo iu que s’ha escolli els boos ing
ees com a mè ode pe enca a aques p oblema.
Més conc e amen , les pa icula i a s que els an un bon candida son les
següen s:
•
Robus esa da an dades desequilib ades: A l’ajus a els pesos
en cada i e ació, el boos ing es ixa en aquelles mos es més di ícils de
classi ica co ec amen .
•
Capaci a de maneja l’al a dimensionali a : Aques s mè odes
seleccionen de mane a e icien els a ibu s més elle an s mi jançan les
di isions en els a b es.
•
Ús a la indús ia: Són mè odes que han demos a se al amen
e ec ius pe anali za dades genè iques. En la indús ia bio ecnològica,
aques es ècniques són àmpliamen adop ades degu a la se a capaci a
de maneja g ans olums de dades i ex au e in o mació elle an .
23
Capí ol 4
Me odologia
En aques capí ol es desc iu el p océs segui pe du a e me el desen olupa-
men del p ojec e, des de l’ob enció de les dades genè iques ins l’empaque a
de l’eina inal. Cada e apa es à es uc u ada en seccions especí iques, explican
els de alls ècnics, a egin els agmen s de codi més impo an s i explican
les decisions p eses du an el desen olupamen .
En la secció Ob enció de les Dades, s’explica el p océs d’adquisició del
da ase u ili za en aques p ojec e, p o inen del 1000 Genome P ojec .
Es p opo ciona una desc ipció de allada de la mida del conjun de dades,
la se a es uc u a i la p ocedència de les e ique es (labels) u ili zades pe
l’en enamen del model.
A con inuació, la secció P ep océs abo da el ac amen p e i de les dades.
Es de alla el il a ge inicial, seleccionan únicamen les mos es amb e ique es
disponibles. Pos e io men , es desc iu el can i de o ma des dels i xe s
c
cap a al es o ma s com
pgen
i
plink
, necessa is pe a les següen s e apes.
Eines com
bc ools
i
plink
són onamen als en aques p océs, especialmen
pe a asques com el il a ge pe Minimum Allele F equency (MAF), basa
en la in o mació del camp INFO dels i xe s c .
La secció Mè ode d’A aluació i Augmen de Dades se cen a en els meca-
nismes u ili za s pe a alua el model i la necessi a de eali za ècniques
d’augmen de dades (da a augmen a ion). Aquí s’explica com es dissenya la
mè ica d’a aluació i els expe imen s necessa is pe ga an i esul a s consis-
en s. A més, es jus i ica la inclusió del da a augmen a ion com una es a ègia
clau pe millo a la obus esa del model da an desequilib is o escasse a de
dades.
A la secció En enamen del Model, es desc iuen els expe imen s eali za s
24
pe cons ui el model inal. Des dels p ime s in en s amb models base
(baselines), passan pe l’ajus d’hipe pa àme es, ins a la implemen ació
d’assembla ges de models pe e o acions i millo a la p ecisió gene al.
Aques a secció e lec eix el p océs i e a iu d’ap enen a ge i desen olupamen ,
des acan els a enços i les millo es aconseguides en cada e apa.
Finalmen , la secció Anàlisi Final dels Resul a s anali za i compa a els
esul a s inals ob ingu s. Es elaciona amb els mè odes is s a l’es a de l’a
explican les millo es i inno acions apo ades en aques eball.
4.1 Ob enció de les Dades
Pe a aques p ojec e s’han u ili za les dades genòmiques del 1000 Genomes
P ojec , una de les inicia i es més comple es i elle an s en l’àmbi de la
genè ica humana. Aques p ojec e é com a objec iu p opo ciona una
desc ipció exhaus i a de la a iació genè ica humana comuna, mi jançan la
seqüenciació comple a del genoma d’una mos a di e sa d’indi idus p oceden s
de múl iples poblacions [11].
El 1000 Genomes P ojec a conclou e amb la econs ucció dels genomes
de 2.504 indi idus p o inen s de 26 poblacions dis ibuïdes geog à icamen a
l’À ica (AFR), Àsia O ien al (EAS), Eu opa (EUR), Àsia Me idional (SAS)
i les Amè iques (AMR). Mi jançan una combinació de seqüenciació de baixa
cobe u a del genoma comple , seqüenciació p o unda d’exomes i geno ipa ge
amb mic oa ays d’al a densi a , es an aconsegui ca ac e i za més de 88
milions de a ian s genè iques, incloen SNPs (84,7 milions), o es elles en
haplo ips d’al a quali a . Aques ecu s cob eix més del 99% dels SNPs amb
una eqüència supe io a l’1% en di e ses ances ies, cons i uin un pun de
e e ència clau pe a es udis de genè ica humana i malal ies comunes.
To i que el p ojec e a comença amb ap oximadamen 1.000 mos es, la
se a ex ensió al lla g dels anys ha inc emen a signi ica i amen la quan i a
de dades disponibles. Pe a aques eball, les dades genòmiques es an
ob eni de la e sió 3 del HGDP + 1KG callse , accessible a a és de
gnomAD. Aques conjun inclou in o mació addicional in eg ada d’al es
p ojec es genòmics impo an s, o i que l’in e ès p incipal au en les mos es
p o inen s especí icamen del 1000 Genomes P ojec . Pe aques mo iu, es a
eali za un il a ge selec iu pe e eni únicamen aques es mos es.
Les e ique es (labels) associades als indi idus es an ob eni de l’a xiu
in eg a ed_call_samples_ 3.20200731.ALL.ped
, disponible al eposi o i
25
On:
•
Sensibili a ( ecall de la classe posi i a): mesu a la p opo ció de e i-
ables posi ius (TP) co ec amen iden i ica s sob e el o al d’elemen s
posi ius eals.
Sensi i i y =TP
TP +FN
•
Especi ici a : mesu a la p opo ció de e i ables nega ius (TN ) co ec-
amen iden i ica s sob e el o al d’elemen s nega ius eals.
Speci ici y =TN
TN +FP
L’ús de balanced accu acy és onamen al en aques p ojec e, a ès que
les dades genòmiques solen eni un desbalanceig signi ica iu en e classes, i
aques a mè ica assegu a que ambdues es alo in de mane a jus a.
Amb el conjun de dades d’en enamen augmen a i la mè ica d’a aluació
de inida, el model es à p epa a pe se en ena . Aques a con igu ació
ga an eix que el model se à obus da an ni ells a iables d’in o mació i
pod à ges iona an da ase s comple s com aquells al amen incomple s,
adap an -se a les necessi a s de la comuni a cien í ica i als ep es del món
eal.
4.4 En enamen del Model
En aques a secció es desc iu el p océs segui pe en ena i op imi za el
model, des d’un en ocamen inicial amb con igu acions es ànda d ins a
la implemen ació de ècniques a ançades com l’ajus d’hipe pa àme es i
l’ensambla ge de models.
4.4.1 Baseline
El pun de pa ida de qualse ol p océs de modela ge és es abli un baseline,
és a di , un model inicial que pe me i eni una e e ència de endimen .
El p ime expe imen es a eali za u ili zan Ligh GBM, una llib e ia de
g adien boos ing e icien i popula . Es a con igu a un model bàsic amb els
següen s hipe pa àme es:
32
{
'objec i e':'bina y',
'me ic':'bina y_logloss',
'boos ing_ ype':'gbd ',
'num_lea es':31,
'lea ning_ a e':0.05,
' ea u e_ ac ion':0.9
}
El nomb e de ondes de boos ing (
num_boos _ ound
) es a ixa en 100.
Aques a con igu ació es ànda d és senzilla, pe ò o e eix un bon pun de pa ida
pe a alua les capaci a s inicials del model.
El model en ena es a a alua u ili zan la mè ica balanced accu acy,
desc i a an e io men , i els esul a s inicials an se p ome edo s. El model
a aconsegui man eni una balanced accu acy p ope a a 1 ins a un 90% de
alo s nuls en les dades. Tanma eix, en ea alua el model en 10 pe cen a ges
equidis an s de alo s nuls en e el 92% i el 99.9%, es a obse a una
disminució signi ica i a en el endimen a pa i del 95% de nul·li a .
Figu a 4.2: Resul a s Baseline en l’in è al 92-99.9% de alo s nuls
33
Aques anàlisi inicial a e ela que, o i que el model bàsic de Ligh GBM
és obus da an ni ells mode a s d’incomple i ud, el seu endimen es deg ada
no ablemen en escena is ex ems. Pe an , es a iden i ica un ampli ma ge
de millo a.
A més del model de Ligh GBM, es an eali za expe imen s amb XGBoos
iCa Boos u ili zan con igu acions es ànda d. Els esul a s d’aques s models,
a alua s en els ma eixos pe cen a ges de alo s nuls, es p esen en a con inuació.
Figu a 4.3: Baseline dels 3 Models Ligh GBM, XGBoos i Ca Boos
Es po anali za com en aques cas, el model Ligh GBM sob epassa al
model Ca Boos , que alho a millo a a l’XGBoos . To i així aques s esul a s
són no ep esen a ius de les po ències de cada model ja que no se’ls ha e
cap in es igació espec e als seus hipe pa àme es.
Aques s expe imen s inicials an pe me e amilia i za -se amb les llib e ies
i eines necessà ies, així com es abli un ma c de e e ència cla pe a les
següen s e apes d’op imi zació i ensambla ge.
34
Pe implemen a aques s expe imen s de mane a es uc u ada, es a
dissenya una classe abs ac a anomenada
Expe imen
, que de ineix una
plan illa genè ica pe a qualse ol expe imen de modela ge. Aques a classe
inclou mè odes abs ac es que a ien segons la llib e ia o el model u ili za .
A con inuació, es mos a el disseny de la classe Expe imen :
om abc impo ABC, abs ac me hod
class Expe imen (ABC):
de __ini __(sel , X_ ain, X_ al, X_ es , y_ ain, y_ al,
y_ es , nan_pe cen ages):,→
sel .X_ ain =X_ ain
sel .X_ al =X_ al
sel .X_ es =X_ es
sel .y_ ain =y_ ain
sel .y_ al =y_ al
sel .y_ es =y_ es
sel .nan_pe cen ages =nan_pe cen ages
de add_nans(sel , X, nan_pe cen age):
X_wi h_nans =X.copy()
mask =np. andom. and(*X.shape) <nan_pe cen age
X_wi h_nans[mask] =np.nan
e u n X_wi h_nans
@abs ac me hod
de un_nan_expe imen (sel ):
pass
@abs ac me hod
de ge _pa ams(sel ):
pass
@abs ac me hod
de ain_model(sel , ain_da a, al_da a, pa ams):
pass
@abs ac me hod
de e alua e_model(sel , model, X_ al, y_ al):
35
pass
Aques a classe p opo ciona una es uc u a lexible que acili a la imple-
men ació de di e en s models. Cada model, com Ligh GBM,XGBoos o
Ca Boos , s’implemen a com una subclasse de
Expe imen
, sob eesc i in els
mè odes especí ics. Pe exemple, la subclasse
Ligh GBMExpe imen
inclou
mè odes pe c ea da ase s compa ibles amb Ligh GBM, en ena el model i
a alua -lo:
class Ligh GBMExpe imen (Expe imen ):
de c ea e_da ase s(sel , X_ ain, X_ al, y_ ain, y_ al):
ain_da a =lgb.Da ase (X_ ain, label=y_ ain)
al_da a =lgb.Da ase (X_ al, label=y_ al,
e e ence= ain_da a),→
e u n ain_da a, al_da a
de ge _pa ams(sel ):
e u n {
'objec i e':'bina y',
'me ic':'bina y_logloss',
'boos ing_ ype':'gbd ',
'num_lea es':31,
'lea ning_ a e':0.05,
' ea u e_ ac ion':0.9
}
de ain_model(sel , ain_da a, al_da a, pa ams,
num_boos _ ound=100):,→
model =lgb. ain(
pa ams,
ain_da a,
num_boos _ ound=num_boos _ ound,
alid_se s=[ ain_da a, al_da a],
alid_names=[' ain',' alid_0']
)
e u n model
de e alua e_model(sel , model, X_ al, y_ al):
y_p ed =model.p edic (X_ al)
36
y_p ed_bina y =(y_p ed > 0.5).as ype(in )
balanced_acc =balanced_accu acy_sco e(y_ al, y_p ed_bina y)
e u n balanced_acc
de un_nan_expe imen (sel ):
ain_da a, al_da a =sel .c ea e_da ase s(sel .X_ ain,
sel .X_ al, sel .y_ ain, sel .y_ al),→
pa ams =sel .ge _pa ams()
model =sel . ain_model( ain_da a, al_da a, pa ams)
balanced_accu acies =[]
o nan_pe cen age in sel .nan_pe cen ages:
X_ al_wi h_nans =sel .add_nans(sel .X_ al,
nan_pe cen age),→
balanced_acc =sel .e alua e_model(model,
X_ al_wi h_nans, sel .y_ al),→
balanced_accu acies.append(balanced_acc)
e u n np.mean(balanced_accu acies)
4.4.2 T ia d’Hipe pa àme es
El endimen d’un model d’ap enen a ge au omà ic depèn en g an mesu a dels
alo s assigna s als seus hipe pa àme es. Aques s con olen el compo amen
del model i poden eni un impac e signi ica iu en la se a p ecisió i capaci a
de gene ali zació. Pe oba la con igu ació òp ima dels hipe pa àme es,
exis eixen di e ses es a ègies de ce ca, que an des de mè odes clàssics ins a
en ocamen s més a ança s.
En e els mè odes clàssics des aquen el g id sea ch i el andom sea ch.
En el g id sea ch, es de ineixen combinacions exhaus i es de alo s pe a
cada hipe pa àme e, i el model s’en ena pe a o es elles, a aluan cada
con igu ació. To i que aques en ocamen ga an eix que es p o en o es
les combinacions, el seu cos compu acional c eix exponencialmen amb el
nomb e d’hipe pa àme es i alo s pe hipe pa àme e. D’al a banda, el
andom sea ch selecciona combinacions alea ò ies, sen menys cos ós pe ò
sense ga an i que es obin els alo s òp ims.
En con as , els mè odes basa s en op imi zació, com els que u ili zen
g adien s o algo i mes a ança s de ce ca, són mol més e icien s. En e les
37
eines mode nes pe a l’op imi zació d’hipe pa àme es des aquen: - Op una
2
,
una biblio eca d’op imi zació e icien que u ili za ècniques com la ce ca
bayesiana i la ce ca alea ò ia amb poda p ime enca. - Hype op , basada en
op imi zació bayesiana. - Sciki -op imize, que combina eines de Sciki -lea n
amb op imi zació bayesiana.
En aques p ojec e, es a ia u ili za Op una. Pe a cada model
(Ligh GBM,XGBoos iCa Boos ), es an con igu a in e als pe als hipe -
pa àme es més elle an s, u ili zan les uncions de sugge imen d’Op una.
Aques es uncions pe me en explo a au omà icamen l’espai de ce ca, iden i-
ican les combinacions més p ome edo es de mane a e icien . A con inuació,
es mos a un exemple de la unció
ge _pa ams
u ili zada pe a l’op imi zació
de Ligh GBM :
de ge _pa ams(sel , ial):
p in ( 'T ial: { ial}')
e u n {
'objec i e':'bina y',
'me ic':'bina y_logloss',
'boos ing_ ype':'gbd ',
'num_lea es': ial.sugges _in ('num_lea es',20,100),
'lea ning_ a e': ial.sugges _ loa ('lea ning_ a e',0.01,
0.2),,→
' ea u e_ ac ion': ial.sugges _ loa (' ea u e_ ac ion',
0.5,1.0),,→
'max_dep h': ial.sugges _in ('max_dep h',3,12),
'min_child_samples': ial.sugges _in ('min_child_samples',
10,100),,→
'subsample': ial.sugges _ loa ('subsample',0.5,1.0),
}
Desp és de eali za l’op imi zació pe als es models, els esul a s ob in-
gu s an se els següen s:
2h ps://op una.o g
38
Figu a 4.4: E olució de l’op imi zació d’hipe pa àme es amb Ca Boos
Figu a 4.5: E olució de l’op imi zació d’hipe pa àme es amb Ligh GBM
39
Figu a 4.6: E olució de l’op imi zació d’hipe pa àme es amb XGBoos
Com es po obse a , Ca Boos a aconsegui el millo endimen en
e mes de balanced accu acy, especialmen en escena is amb ni ells ele a s
d’incomple i ud (pe sob e del 95% de alo s nuls). No obs an això, el seu
en enamen a se no ablemen més len i a eque i un majo nomb e
d’i e acions pe assoli aques endimen òp im.
En can i, Ligh GBM, o i que a ob eni un endimen lleuge amen
in e io , a se signi ica i amen més àpid an en l’en enamen com en la
in e ència. Aques aspec e és c ucial en aplicacions p àc iques on es ges ionen
g ans olums de dades o es eque eix una espos a àpida. Pe aques es aons,
es a decidi u ili za Ligh GBM en l’e apa inal d’assembla ge de models, ja
que o e eix un bon equilib i en e p ecisió i e iciència compu acional.
4.4.3 Assembla ge de Models
L’assembla ge de models és una ècnica àmpliamen u ili zada en ap enen a ge
au omà ic pe millo a la obus esa i la p ecisió de les p ediccions. Consis eix a
combina els esul a s de múl iples models en ena s pe gene a una p edicció
conjun a que acos uma a se més p ecisa que la de qualse ol model indi idual.
Aques a millo a es deu al e que els e o s dels models indi iduals endeixen
a cancel·la -se en e si quan es combinen.
40
En aques a e apa, es an en ena 10 models Ligh GBM amb els millo s
hipe pa àme es oba s a la secció an e io . La idea p incipal e a a alua si,
mi jançan l’assembla ge d’aques s models, es podia ob eni una millo a en el
endimen , especialmen en escena is amb ni ells al s de alo s nuls.
Pe combina les p ediccions dels models assembla s, es a expe imen a
amb dues es a ègies p incipals:
•
So Vo ing: Consis eix a calcula la mi jana de les p obabili a s dels
models assembla s. Si la p obabili a mi jana supe a el llinda de 0.5,
la p edicció inal es classi ica com a posi i a; en cas con a i, com a
nega i a.
•
Ha d Vo ing: Cada model a una p edicció binà ia, i la p edicció inal
es basa en la majo ia de o s (majo i y o ing).
To i que es an p o a o es dues es a ègies, el so o ing a mos a
un endimen supe io , p obablemen pe què u ili za més in o mació de les
p ediccions p obabilís iques, cosa que pe me ges iona millo la ince esa en
escena is amb dades incomple es.
Pe du a e me els expe imen s, es an implemen a dues uncions clau en
Py hon. La p ime a,
p ecompu e_p edic ions
, p ecompu a les p ediccions
dels 10 models pe a di e en s pe cen a ges de alo s nuls al conjun de es .
Això pe me a alua els models de mane a e icien :
de p ecompu e_p edic ions(
models: Lis [lgb.Boos e ],
X_ es : np.nda ay,
nan_pe cen ages: Lis [ loa ],
ng: np. andom.Gene a o
)-> Dic [ loa , np.nda ay]:
scena io_p eds ={}
o npc in nan_pe cen ages:
X_wi h_nans =add_nans(X_ es , npc , ng)
p eds =[m.p edic (X_wi h_nans) o min models]
scena io_p eds[npc ] =np. s ack(p eds)
e u n scena io_p eds
La segona unció,
e alua e_ensembles
, calcula les mè iques de balanced
accu acy pe a di e en s mides d’assembla ge (1, 2, 5 i 10 models) i pe a
41
•
Publica els esul a s i me odologies desen olupades en un jou nal eco-
negu , p opo cionan de alls ècnics que pe me in a al es in es igado s
ep odui i alida els esul a s.
•
Di ond e l’eina en pla a o mes de codi obe o eposi o is com Gi Hub,
acili an -ne l’accés i col·labo ació.
•
Reali za benchma king conjun amen amb al es mè odes de l’es a de
l’a , u ili zan un conjun de p o es comú, pe es abli la se a posició
ela i a en e mes de endimen i aplicabili a .
Aques p ojec e ep esen a només el p ime pas en el desen olupamen
d’una eina sòlida i e sà il pe a la asca de sex-checking. Amb la supe isió
del meu codi ec o , inc la in enció de con inua eballan en aques p ojec e,
abo dan les à ees de millo a iden i icades i po an l’eina a p oducció pe què
pugui se u ili zada pe la comuni a cien í ica de mane a e ec i a i iable.
48
Capí ol 6
Impac e Ambien al, Econòmic i
Social
Aques capí ol anali za les implicacions ambien als, econòmiques i socials del
desen olupamen i ús de l’eina p oposada, conside an an els bene icis com
els ep es associa s.
6.1 Impac e Ambien al
El desen olupamen i en enamen de models d’ap enen a ge au omà ic po
eni un impac e signi ica iu en e mes de consum ene gè ic. En aques
p ojec e, els models es an en ena i a alua u ili zan el se ido
galangal
,
que comp a amb 32 nuclis lògics dis ibuï s en 2 socke s, cadascun equipa
amb un p ocessado In el Xeon E5-2640 3. Segons les especi icacions del
ab ican , el TDP (The mal Design Powe ) de cada p ocessado és de 90 W,
la qual cosa p opo ciona una base pe es ima el consum ene gè ic.
A ès que el se ido es a u ili za du an ap oximadamen 240 ho es
(10 dies comple s) a plena capaci a , es po calcula el consum o al dels
p ocessado s:
Consum pe p ocessado (socke ): 90 W
Nomb e de p ocessado s (socke s): 2
Consum o al dels p ocessado s: 90 W×2 = 180 W
Du ada de uncionamen : 240 h
49
Consum ene gè ic en kilowa s-ho a (kWh):
180W×240h= 43,200Wh = 43.2kW h
Aques consum ep esen a una quan i a signi ica i a d’ene gia, especi-
almen si es conside a que l’en enamen de models d’IA a g an escala sol
implica un ús ecu en de ecu sos compu acionals. No obs an això, cal
des aca que aques impac e es eu mi iga en pa pel e que l’eina, un
cop desen olupada, eque eix un consum mol meno pe al seu ús, ja que la
in e ència és compu acionalmen més lleuge a que l’en enamen .
Pe minimi za l’impac e ambien al en u u s desen olupamen s, se ia
ecomanable explo a solucions com l’ús d’ene gies eno ables pe alimen a els
se ido s o l’op imi zació dels algo i mes pe edui els emps d’en enamen .
6.2 Impac e Econòmic
Des d’una pe spec i a econòmica, l’eina desen olupada é el po encial de
edui signi ica i amen el cos associa al sex-checking en es udis genè ics.
Els mè odes adicionals eque eixen no només ecu sos compu acionals, sinó
ambé pe sonal especiali za pe a la se a con igu ació i anàlisi, e que
inc emen a els cos os ope a ius.
L’au oma i zació d’aques p océs mi jançan un model obus i e icien
com el que es p oposa aquí pe me aba a i el cos del sex-checking, en -lo
accessible a una majo quan i a d’in es igado s, ins i ucions i labo a o is.
Aques aba a imen no només acili a el eball a ni ell indi idual, sinó que
ambé p omou la democ a i zació de la ece ca genè ica, amplian l’accés a
eines d’al a quali a en països o ins i ucions amb ecu sos limi a s.
6.3 Impac e Social
L’impac e social d’aques a eina adica en la se a capaci a pe simpli ica i
agili za el eball dels cien í ics que eali zen es udis genè ics. La acili a
d’ús, combinada amb la se a p ecisió i obus esa da an dades incomple es,
edueix signi ica i amen l’es o ç necessa i pe du a e me una asca clau en
mol es anàlisis genòmiques.
En edui la cà ega ècnica i ope a i a, aques a eina pe me als in es iga-
do s cen a els seus es o ços en aspec es més es a ègics dels seus es udis,
50
omen an un a anç més àpid en el camp de la genè ica. A més, com que és
una eina au oma i zada i ep oduïble, ajuda a edui la possibili a d’e o s
humans, inc emen an la con iança en els esul a s ob ingu s.
51
Capí ol 7
Anàlisi dels Aspec es È ics
El desen olupamen i ús d’eines d’in el·ligència a i icial en genè ica plan eja
impo an s conside acions è iques que han de se abo dades amb igo . En
aques capí ol es e lexiona sob e la na u alesa de les dades u ili zades, les
implicacions è iques dels mè odes p oposa s i les limi acions inhe en s al
model.
P i aci a i Anonimi zació de les Dades Les dades u ili zades en aques
p ojec e són comple amen anònimes i d’accés públic, p oceden s de ecu sos
com el 1000 Genomes P ojec . L’anonimi zació ga an eix que no es pugui
as eja la in o mació genè ica ins a indi idus especí ics, complin amb els
es ànda ds è ics i legals in e nacionals.
No obs an això, és onamen al que aques comp omís amb la p i aci a
es man ingui en u u es aplicacions de l’eina. Qualse ol ampliació del da ase
o col·labo ació amb ins i ucions ex e nes ha de ga an i l’anonima dels
pa icipan s i el complimen de no ma i es com el Reglamen Gene al de
P o ecció de Dades (RGPD).
Limi acions i Riscos en la P esa de Decisions Una de les p incipals
p eocupacions è iques associades a l’ús de models d’IA és la possibili a
que els seus e o s puguin eni conseqüències signi ica i es, especialmen
quan s’u ili zen en la p esa de decisions c í iques. To i que aques a eina de
sex-checking ha demos a se p ecisa, no és in al·lible.
És c ucial des aca que, en aques con ex , l’eina ac ua com un con ol de
quali a i no com un mecanisme pe p end e decisions que a ec in di ec amen
indi idus. Pe an , el isc de dany di ec e és mínim. Tanma eix, si aques s
52
mè odes s’apliquessin en al es à ees on els esul a s del model poguessin
eni implicacions més se ioses, se ia essencial es abli mesu es de alidació
addicionals i mecanismes de supe isió humana.
El desen olupamen d’aques a eina és un exemple de com la in el·ligència
a i icial po se aplicada de mane a esponsable en genè ica, o e in bene-
icis angibles sense comp ome e els p incipis è ics onamen als. To i així,
és imp escindible abo da cada no a aplicació amb una anàlisi c í ica que
conside i no només la se a iabili a ècnica, sinó ambé les se es possibles
epe cussions è iques i socials.
53
Capí ol 8
Conclusions
El p esen p ojec e ha assoli els objec ius plan eja s i ha demos a la
iabili a i e icàcia d’aplica algo i mes d’in el·ligència a i icial, en pa icula
boos ing ees, al camp de la genè ica. En aques capí ol es esumeixen les
p incipals conclusions de i ades del eball, elacionan -les amb els objec ius
es able s al començamen .
Aplicació d’In el·ligència A i icial a la Genè ica Un dels objec ius
clau d’aques p ojec e e a explo a com els algo i mes d’in el·ligència a i icial
poden aplica -se en el con ex de la genè ica. Mi jançan el desen olupamen
d’aques a eina de sex-checking, s’ha demos a que la IA no només és aplicable,
sinó que ambé o e eix un en ocamen inno ado i e icaç pe abo da p oblemes
complexos en aques camp.
T adicionalmen , el sex-checking es eali za a mi jançan mè odes es adís-
ics o eines especí iques com seXY,PLINK oXYalign. Aques es solucions,
o i que uncionals, p esen en limi acions en e mes de p ecisió, escalabili a i
maneig de dades incomple es. En aques p ojec e, els mè odes d’ap enen a ge
au omà ic han demos a se una al e na i a sòlida, capaç de supe a mol es
d’aques es limi acions i d’ob i no es possibili a s pe a l’anàlisi genòmica.
A aluació dels Mè odes de Boos ing T ees Un al e objec iu cen al e a
a alua l’e icàcia dels mè odes de boos ing ees pe a la asca de sex-checking.
Els esul a s ob ingu s han es a al amen sa is ac o is. S’ha demos a que
eines com Ligh GBM,XGBoos iCa Boos són capaces de ges iona amb
èxi g ans olums de dades genòmiques, incloen -hi escena is amb al s ni ells
d’incomple i ud.
54
En e aques s, Ligh GBM ha des aca com el model més equilib a en
e mes de endimen i e iciència compu acional. To i que Ca Boos ha
mos a un endimen lleuge amen supe io en algunes a aluacions, el seu
emps d’en enamen i in e ència l’ha e menys adequa pe a aques p ojec e.
Pe la se a banda, XGBoos , o i se àpid, no ha assoli la ma eixa p ecisió
que els al es dos. Aques a compa ació no només ha pe mès selecciona el
millo model pe a la asca, sinó que ambé ha p opo ciona un ma c pe a
u u es op imi zacions.
Robus esa Da an de Dades Nul·les Un desa iamen impo an en
aques p ojec e e a c ea un model capaç de se obus da an de dades incom-
ple es, una si uació comuna en l’anàlisi genòmica a causa de les limi acions en
els p ocessos de seqüenciació. Mi jançan ècniques com el da a augmen a ion
amb alo s nuls i l’assembla ge de models, s’ha aconsegui cons ui una
solució que man é un al ni ell de p ecisió ins i o en escena is amb més del
95% de dades mancan s.
Con ibució a l’Es a de l’A En compa ació amb els mè odes ac uals
de l’es a de l’a , l’eina desen olupada o e eix múl iples a an a ges:
•
Majo e iciència: el emps d’execució és conside ablemen meno en
compa ació amb eines com seGMM.
•
Independència de la seqüència de e e ència: no eque eix una
e e ència genòmica especí ica, e que simpli ica el seu ús en con ex os
di e sos.
•
Independència del c omosoma Y: el model po eali za sex-checking
sense necessi a d’in o mació especí ica d’aques c omosoma, amplian -
ne l’aplicabili a .
•
Au onomia de l’usua i: no eque eix in e enció humana signi ica i a,
cosa que edueix la complexi a ope a i a i minimi za e o s humans.
To i que el endimen de l’eina és compa able al de seGMM, aques s
bene icis addicionals la con e eixen en una solució més e sà il i escalable.
55
8.1 Re lexió Final
Un dels mo ius pels quals aig op a pe emp end e els meus es udis uni e si-
a is en in el·ligència a i icial, a se pe pode ajuda a les pe sones amb
una ecnologia que, sense sabe -ne massa, eia mol p ome edo a i amb unes
capaci a s que poden ma ca la di e ència. Du an aques s anys he ap ès mol
sob e aques camp, o i que enca a quedi un lla g camí, i les e idències no
han e més que ecolza les idees amb les que aig comença .
És ascinan com mè odes concep ualmen senzills poden a iba a causa
un impac e an g an. Com g ans xa xes neu onals, al e an i e a i amen
els seus alo s descendin en la di ecció que minimi za una unció d’e o , són
capaces de oba pa ons ex uals, isuals i audi ius ins a al pun d’a iba
a edac a ex os, gene a con e ses o c ea ima ges de o ma que s’assembli
an a la mane a en què ho em els humans.
De la ma eixa mane a, mè odes de machine lea ning com els usa s en
aques eball ambé són capaços de de ec a ci cums àncies, pa ons i ex-
cepcions, de mane a excel·len , sob epassan en g an mesu a les quali a s
humanes. Aques es eines an pode oses, conside o que han d’es a aplicades
a eu on siguin d’u ili a . Pe què això sigui possible, pe ò, cal educa a la
població pe a que ap engui com unciona aques a ecnologia, semp e des
d’un espe i c í ic.
Conside o que una eina in e disciplina com la eali zada en aques eball
inal de g au, a g an escala, pod ia ajuda a sal a ides, a de ec a malal ies
abans de què es p esen in els p ime s símp omes, a desen olupa à macs i
ecnologia a ançada pe comba e-les un cop de ec ades. En de ini i a, po
ajuda a la salu de les pe sones.
Aques p ojec e sols és un pe i g a de so a que demos a que al la pena
p og essa en la in es igació de l’ús de ècniques d’in el·ligència a i icial en
el sec o de la salu . Pe la me a pa , segui é p omo en aques s ideals i
ac uan en conseqüència.
56
Bibliog a ia
[1]
J. D. Wa son i F. H. C. C ick. ?Molecula S uc u e o Nucleic Acids:
A S uc u e o Deoxy ibose Nucleic Acid?A: Na u e 171.4356 (1953),
pàg. 737- 738. doi:
10.1038/171737a0
.u l:
h ps://doi.o g/10.
1038/171737a0.
[2]
James V. Neel. ?The Inhe i ance o Sickle Cell Anemia?A: Science
110.2846 (1949), pàg. 64- 66. doi:
10.1126/science.110.2846.64
.
u l:h ps://doi.o g/10.1126/science.110.2846.64.
[3]
Ensembl Genome B owse . Ensembl Genome B owse - Homo sapiens.
Accessed: 2025-01-04. 2025. u l:
h ps://asia.ensembl.o g/Homo_
sapiens/Loca ion/Genome.
[4]
Pe Danecek e al. ?The a ian call o ma and VCF ools?A: Bi-
oin o ma ics 27.15 (ag. de 2011), pàg. 2156- 2158. doi:
10 . 1093 /
bioin o ma ics/b 330
.u l:
h ps://doi.o g/10.1093/bioin o ma ics/
b 330.
[5]
F. Sange , S. Nicklen i A. R. Coulson. ?DNA sequencing wi h chain-
e mina ing inhibi o s?A: P oceedings o he Na ional Academy o
Sciences o he Uni ed S a es o Ame ica 74.12 (des. de 1977), pàg. 5463 -
5467. doi:10.1073/pnas.74.12.5463.
[6]
D. R. Ben ley e al. ?Accu a e whole human genome sequencing using
e e sible e mina o chemis y?A: Na u e 456.7218 (2008), pàg. 53 - 59.
doi:10.1038/na u e07517.
[7]
J. Eid e al. ?Real- ime DNA sequencing om single polyme ase mo-
lecules?A: Science 323.5910 (gen. de 2009), pàg. 133 - 138. doi:
10.
1126/science.1162986.
57
