A Comparative Study of Supervised Machine Learning Algorithms for the Prediction of Long-Range Chromatin Interactions

Abstract

En este trabajo, evaluamos y comparamos el rendimiento de seis algoritmos de aprendizaje automático para predecir interacciones de la cromatina utilizando señales de secuenciación masiva en dos líneas celulares humanas. Nuestro análisis muestra que el algoritmo de gradient boosting XGBoost produce las mejores predicciones, con una precisión cercana al 95%. Asimismo, confirmamos que la región más informativa de cara a predecir interacciones genómicas se concentra en las anclas (loop anchors), y que los modelos basados en XGBoost conservan una alta fiabilidad incluso cuando se prescinde de componentes estructurales básicos como CTCF y RAD21, en cuyo caso la información predictiva recae en la unión de factores de transcripción.