Seminarios

Background. Assembly and function of neuronal synapses require the coordinated expression of a yet undetermined set of genes. Previously, we had trained an ensemble machine learning model to assign a probability of having synaptic function to every protein-coding gene in Drosophila melanogaster. This approach resulted in the publication of a catalogue of 893 genes which we postulated to be very enriched in genes with a still undocumented synaptic function. Since then, the scientific community has experimentally identified 79 new synaptic genes. Here we use these new empirical data to evaluate our original prediction. We also implement a series of changes to the training scheme of our model and using the new data we demonstrate that this improves its predictive power. Finally, we added the new synaptic genes to the training set and trained a new model, obtaining a new, enhanced catalogue of putative synaptic genes.

Results. The retrospective analysis demonstrate that our original catalogue was significantly enriched in new synaptic genes. When the changes to the training scheme were implemented using the original training set we obtained even higher enrichment. Finally, applying the new training scheme with a training set including the 79 new synaptic genes, resulted in an enhanced catalogue of putative synaptic genes. 

Conclusions. We show that training an ensemble of machine learning classifiers solely with the whole-body temporal transcription profiles of known synaptic genes resulted in a catalogue with a significant enrichment in undiscovered synaptic genes. Using new empirical data provided by the scientific community, we validated our original approach, improved our model an obtained an arguably more precise prediction. This approach reduces the number of genes to be tested through hypothesis-driven experimentation and will facilitate our understanding of neuronal function.

Abstract: La simulación de sistemas de eventos discretos ha ocupado, en los últimos años, un
importante lugar en el análisis de sistemas y en la evaluación de tomas de decisiones. Por otra parte, la optimización también ha representado ser una útil herramienta para la búsqueda de soluciones que mejoren el desempeño de los sistemas estudiados. Sin embargo, éstos dos puntos de vistas inicialmente han sido desarrollados separadamente, en donde ambos campos han establecido sus linderos. No obstante, el surgimiento de nuevas aplicaciones a sistemas cada vez más complejos han requerido la vinculación de lo que antes se estudiaban por separado. La motivación este trabajo es presentar los puntos de vistas de las respuestas a las preguntas: ¿Es la simulación la que ha ayudado a la optimización de los sistemas? o por el contrario, ¿Es la optimización la que ha asistido a la experimentación en simulación? En principio podría decirse que las respuestas de estas interrogantes son afirmativas y es en este artículo donde serán  presentadas la justificación de ambas aristas a través de ejemplos prácticos y casos de estudios por una
parte, y de desarrollos de métodos y técnicas, en donde se podrá apreciar que ninguno de los
campos domina, y más aún, ambos coexisten y hoy en día su vinculación ”por” y ”para” son
de gran importancia en la resolución de problemas reales