TFBS_Classifier

Clasificación de sitios de unión a factores de transcripción (TFBS) en bacterias mediante aprendizaje automático.

Introducción

La regulación génica en bacterias es un proceso esencial para su adaptación a diferentes condiciones ambientales. Uno de los principales mecanismos de regulación es la interacción entre factores de transcripción (TFs) y regiones específicas del ADN conocidas como sitios de unión a factores de transcripción (TFBS, por sus siglas en inglés).

Identificar estos sitios es un reto, ya que:

• Son secuencias cortas (10–20 pb).
• Presentan variabilidad en su contenido de nucleótidos.
• Producen muchos falsos positivos con métodos tradicionales (como matrices de peso posición – PWMs).

El uso de técnicas de aprendizaje automático (ML) aplicadas a datos genómicos ofrece una alternativa poderosa para mejorar la predicción de TFBS.

Tecnologías

• Python
• MLflow (Gestión de experimentos)

Objetivo del Proyecto

Este repositorio contiene un pipeline para la clasificación automática de sitios de unión a factores de transcripción en bacterias, utilizando modelos de aprendizaje automático sobre datos reales. El flujo incluye:

• Preprocesamiento de secuencias.
• Extracción de características.
• Entrenamiento y evaluación de modelos clasificadores.

Estructura del repositorio

• src
  • evaluate_model.py (Evaluación de modelos entrenados)
  • preprocessing.py (Limpieza y transformación de datos)
  • train.py (Entrenamiento de modelos ML)
• data
  • CollectTf (Archivos Fasta)
  • Regulon DB (Archivos Faa)
  • DiProGB.csv (Atributos biofísicos por par de nucleótidos)
• data_analisis.ipynb (Exploración inicial de datos)
• model_analisis.ipynb (Comparación y evaluación de modelos)
• submit
  • entrega.ipynb (Notebook que subi al reto MeIA)
  • outputFinal.csv (Archivo que subi al Kaggle del reto MeIA)
• output.ipynb (Notebook que genera el submit para kaggle)
• output.csv (Archivo que genera output.ipynb)
• mlruns (Registros de experimentos MLflow)

Modelos Entrenados

• Random Forest
• Decision Tree
• XGBoost
• CatBoost
• LightGBM
• Support Vector Machine
• Neural Network (MLP)
• K-Nearest Neighbors

Metrica de desempeño

Curva ROC de los modelos entrenados

Matriz de confusión y métricas generales por modelo