RT Journal Article
T1 A Comparative Study of Supervised Machine Learning Algorithms for the Prediction of Long-Range Chromatin Interactions
A1 Vanhaeren, Thomas
A1 Divina, Federico
A1 García Torres, Miguel
A1 Gómez-Vela, Francisco Antonio
A1 Vanhoof, Wim
A1 Martínez García, Pedro Manuel
K1 Machine learning
K1 Genome wide prediction
K1 Genomic interactions
AB 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.
PB MDPI
YR 2020
FD 2020-08-24
LK https://hdl.handle.net/10433/26961
UL https://hdl.handle.net/10433/26961
LA en
NO Genes. 2020 Aug 24;11(9):985
NO Centro Andaluz de Biología Molecular y Medicina Regenerativa
NO Universidad Pablo de Olavide
NO Universidad de Namur
DS RIO
RD Jun 25, 2026