A. Polewko-Klim, W. Lesiński, A. Kitlas Golińska, K. Mnich, M. Siwek, W. R. Rudnicki. Sensitivity analysis based on the Random Forest machine learning algorithm identifies candidate genes for regulation of innate and adaptive immune response of chicken. Poultry Science 99 (2020), 12, 6341-6354. DOI: 10.1016/j.psj.2020.08.059 (140 pkt. MNiSzW)
Spożywanie zdrowej żywności m.in. produktów drobiarskich ma wielkie znaczenie dla zdrowia ludzi. Zwalczanie chorób drobiu to jeden z największych problemów jego producentów. Wiemy, iż to układ immunologiczny, poprzez identyfikację i likwidowanie różnych czynników chorobotwórczych, chroni organizm przed chorobami. Dlatego badanie wrodzonej i adaptacyjnej odpowiedzi immunologicznej kurcząt, na które kluczowy wpływ ma środowisko oraz podłoże genetyczne, jest dla nas ludzi tak ważne.
Celem niniejszych badań była identyfikacja potencjalnych genów odpowiedzialnych za odporność wrodzoną i adaptacyjną kurcząt. Odporność adaptacyjną kurcząt badano analizując odpowiedź przeciwciał organizmu na aplikację KLH (hemocyjanina skałoczepa). Odporność wrodzona była reprezentowana przez naturalne przeciwciała produkowane przeciwko LPS (lipopolisacharyd) i LTA (kwas lipotejchojowy).
W pracy analizowano zbiory danych SNPs (tj. pojedynczych polimorfizmów
nukleotydowych) przy użyciu zaawansowanych metod uczenia maszynowego. Analiza składała się z 3 etapów: identyfikacji potencjalnych kluczowych SNPs poprzez selekcję cech, optymalizacji zestawu cech za pomocą rekursywnej eliminacji cech i analizie wrażliwości na poziomie genów dla ostatecznej selekcji budowanych modeli. Kluczowym wnioskiem z przeprowadzonych badań było wskazanie 5 genów (MAPK8IP3 CRLF3, UNC13D, ILR9 i PRCKB) które mogą pełnić ważną rolę w adaptacyjnej odpowiedzi immunologicznej kurcząt.”
Two categories of immune responses—innate and adaptive immunity—have both polygenic backgrounds and a significant environmental component. The goal of the reported study was to define candidate genes and mutations for the immune traits of interest in chickens using machine learning–based sensitivity analysis for single-nucleotide polymorphisms (SNPs) located in candidate genes defined in quantitative trait loci regions. Here the adaptive immunity is represented by the specific antibody response toward keyhole limpet hemocyanin (KLH), whereas the innate immunity was represented by natural antibodies toward lipopolysaccharide (LPS) and lipoteichoic acid (LTA). The analysis consisted of 3 basic steps: an identification of candidate SNPs via feature selection, an optimisation of the feature set using recursive feature elimination, and finally a gene-level sensitivity analysis for final selection of models. The predictive model based on 5 genes (MAPK8IP3 CRLF3, UNC13D, ILR9, and PRCKB) explains 14.9% of variance for KLH adaptive response. The models obtained for LTA and LPS use more genes and have lower predictive power, explaining respectively 7.8 and 4.5% of total variance. In comparison, the linear models built on genes identified by a standard statistical analysis explain 1.5, 0.5, and 0.3% of variance for KLH, LTA, and LPS response, respectively. The present study shows that machine learning methods applied to systems with a complex interaction network can discover phenotype-genotype associations with much higher sensitivity than traditional statistical models. It adds contribution to evidence suggesting a role of MAPK8IP3 in the adaptive immune response. It also indicates that CRLF3 is involved in this process as well. Both findings need additional verification.