Esta página fue traducida automáticamente.
Complete una encuesta de 1 minuto sobre la calidad de esta traducción.
Texas A&M realiza análisis de datos de secuenciación de ARN unicelular con MATLAB
El proyecto impulsa aplicaciones de computación cuántica en las ciencias de la vida
“MATLAB proporciona un entorno fluido y confiable para desarrollar algoritmos de computación cuántica. El paquete de soporte de computación cuántica ofrece ventajas significativas en términos de usabilidad, estabilidad y portabilidad, e impulsó significativamente nuestra investigación".
Resultados principales
- MATLAB Support Package for Quantum Computing permite probar algoritmos fácilmente de forma local para un desarrollo rápido y validación de métodos
- MATLAB ofrece facilidad de uso, estabilidad y portabilidad, ventajas sobre otros programas de desarrollo de computación cuántica, como Qiskit®
- MATLAB Support Package for Quantum Computing es claro, bien estructurado y fácil de entender para una implementación rápida de algoritmos cuánticos
En el panel C, las líneas verdes resaltan los 18 genes identificados por los métodos basados en LASSO y QUBO, mientras que las líneas no resaltadas representan genes identificados exclusivamente por el método basado en QUBO.
En la Facultad de Medicina Veterinaria y Ciencias Biomédicas de Texas A&M, el profesor James Cai lidera un proyecto interdisciplinario que utiliza la computación cuántica para analizar datos de expresión génica unicelular. El equipo del profesor Cai emplea computación cuántica basada en puertas lógicas para construir redes que muestran cómo los genes se regulan entre sí. También utilizan un método denominado recocido cuántico simulado (QA) con optimización binaria cuadrática sin restricciones (QUBO) para seleccionar genes importantes a partir de los datos de scRNA-seq implicados en cómo las células cambian y se desarrollan.
La implementación de búsqueda tabú de MATLAB® se utiliza con el recocido simulado para resolver problemas QUBO. Por ejemplo, un algoritmo de selección de características basado en QUBO identificó 10 interacciones genéticas aparentemente no lineales en las 50 características inicialmente seleccionadas de un total de 5,000. Entre estas 50 características, solo 18 coincidieron con las identificadas utilizando el método de selección comparativa LASSO. Esto demuestra que el enfoque QUBO-QA no solo captura expresiones genéticas lineales centrales, sino que también descubre patrones complejos de expresión genética no lineal.
Statistics and Machine Learning Toolbox™ se utiliza ampliamente a lo largo del proyecto, especialmente en los flujos de trabajo de procesamiento de datos. El profesor Cai desarrolló scGEAToolbox para facilitar el análisis de datos de scRNA-seq en el entorno de MATLAB. Incluye una amplia gama de funciones para normalización de datos, selección de características, agrupamiento celular, anotación de tipos celulares, análisis de pseudotiempo, construcción de redes genéticas, análisis de eliminación génica virtual y análisis de comunicación intercelular. Curve Fitting Toolbox™, Parallel Computing Toolbox™ y Image Processing Toolbox™ también se emplean para visualización y para complementar los análisis.
Este proyecto representa un caso destacado de la aplicación de computación cuántica en las ciencias de la vida. Con MATLAB, los investigadores pueden replicar y desarrollar este trabajo pionero, impulsando así el uso de la computación cuántica en la investigación de transcriptómica. A largo plazo, puede cambiar profundamente cómo se utiliza la computación cuántica para desarrollar diagnósticos y tratamientos personalizados basados en datos genéticos individuales.
Recursos relacionados
