Desarrollo de un modelo de inteligencia artificial para la detección y predicción de mutaciones en el genoma de SARS-CoV-2 con potencial de fijación

Abstract

Desde el inicio de la pandemia por COVID-19, la vigilancia genómica del SARS- CoV-2 se consolidó como herramienta clave para entender su evolución y gestionar su impacto. El acceso masivo y en tiempo real a genomas virales permitió relacionar mutaciones con olas de contagio, pero también evidencio la necesidad de métodos más eficientes y menos dependientes de infraestructura costosa. En este contexto, el presente estudio evalúa representaciones de secuencias mediante Frequency Chaos Game Representation (FCGR) combinadas con algoritmos de aprendizaje profundo. Se encontró que usar k = 6 en FCGR ofrece una resolución suficiente para diferenciar linajes con un costo computacional manejable, mientras que valores mayores de k incrementan la resolución a expensas de recursos. Asimismo, se exploran alternativas como la tokenización basada en Byte Pair Encoding (BPE) para mitigar limitaciones de memoria. En la reconstrucción de matrices genómicas, se compararon arquitecturas de autoencoders básicos y modelos tipo UNet. Aunque UNet preserva mejor los detalles genómicos, el autoencoder mostro ser más adecuado en entornos con recursos limitados. La integración de representaciones latentes en un World Model basado en Transformers permitió modelar dinámicas mutacionales y resaltar la relevancia de la atención múltiple y la codificación posicional. No obstante, la cobertura geográfica limitada y la presencia de datos faltantes restringen la generalización, como se observó en los análisis de las variantes Lambda y Gamma. En conjunto, estos enfoques proponen un marco escalable y prometedor para la vigilancia genómica del SARS-CoV-2 y futuros patógenos emergentes.

Since the beginning of the COVID-19 pandemic, genomic surveillance of SARSCoV-2 has become a key tool to understand its evolution and manage its impact. Massive and real-time access to viral genomes has made it possible to link mutations with waves of infection, but has also highlighted the need for more efficient methods that are less dependent on costly infrastructure. In this context, the present study evaluates sequence representations using Frequency Chaos Game Representation (FCGR) combined with deep learning algorithms. We found that using k = 6 in FCGR provides sufficient resolution to differentiate lineages with a manageable computational cost, whereas higher values of k increase resolution at the expense of resources. We also explore alternatives such as Byte Pair Encoding (BPE) tokenization to mitigate memory constraints. For the reconstruction of genomic matrices, we compared basic autoencoder architectures with UNet-type models. Although UNet better preserves fine genomic details, the basic autoencoder proved more suitable in resource-limited environments. The integration of latent representations into a World Model based on Transformers allowed us to model mutational dynamics and highlight the relevance of multi-head attention and positional encoding. Nonetheless, limited geographic coverage and the presence of missing data restrict model generalization, as observed in the analyses of Lambda and Gamma variants. Taken together, these approaches propose a scalable and promising framework for genomic surveillance of SARS-CoV-2 and future emerging pathogens.