Clasificación de Solanum licopersicum y parientes silvestres mediante técnicas de aprendizaje automático partiendo de datos genéticos

Abstract

[ES] Clasificación de Solanum lycopersicum y parientes silvestres mediante técnicas de aprendizaje automático partiendo de datos genéticos. Desde la domesticación del tomate (Solanum lycopersicum), y especialmente tras su introducción en Europa en el siglo XVI, esta planta ha evolucionado en función de las necesidades de las poblaciones humanas que lo cultivaban, dando lugar a multitud de variedades. Estas variedades se diferencian tradicionalmente en base a caracteres morfológicos, pero ahora también disponemos de herramientas genómicas que nos permiten comparar sus genomas. Con esta información se pueden crear grupos genéticos que podemos comparar con las variedades basadas en los caracteres morfológicos. El objetivo de este trabajo es analizar la capacidad de distintos sistemas de clasificación automático para realizar estas clasificaciones. A partir de un conjunto de datos, que contiene las diferencias genéticas entre las muestras, se ha realizado una serie de agrupaciones automáticas de las distintas muestras en grupos en función de sus variaciones genéticas. Dichas clasificaciones se han comparado con otras hechas manualmente para comprobar la fiabilidad del modelo y la capacidad del sistema de clasificar las muestras en la categoría anteriormente asignada. Esta comparación ha permitido concluir la utilidad de un modelo automático para la clasificación de distintas especies salvajes emparentadas con el tomate, pero también ha demostrado la dificultad de clasificar la diversidad del tomate moderno.

[EN] Clasification of Solanum lycopersicum and wild relatives with machine learning techniques and genetic data Since tomato (Solanum lycopersicum) was domesticated, and particularly after it was introduced in Europe in 16th century, this plant has evolved according to the needs of the human population that grew it, giving as a result many different varieties. The differences between them are traditionally morphologic traits, but nowadays genomic tools enable comparison of their genomes. With this data, we can now create genetic groups we that can be compared with morphology based varieties. The main goal of this study is to analyse the ability of different automatic machine learning systems to make these classifications. Starting from a dataset that contains genetic differences between samples, several automatic clusterings were performed, placing samples into groups according to their genetic variations. These classifications were compared with other manually made to check the reliability of the model and the system’s ability to assign the sample to the manually assigned category. This comparison concluded that the model was useful to classify different tomatorelated wild species, but also showed the existent hardship to classify the intraspecies diversity of modern tomato.