Las distribuciones gaussianas permiten describir la variabilidad fenotípica de poblaciones utilizadas en mejoramiento genético. Su media y varianza ayudan a comparar características como rendimiento, resistencia y productividad. La selección direccional puede favorecer variedades con mayor producción; la estabilizadora, características próximas a un valor óptimo; y la disruptiva, variantes extremas útiles para distintas aplicaciones. Estos patrones permiten formular estrategias de selección artificial, aunque sus resultados dependen de la heredabilidad, las correlaciones genéticas y las condiciones de producción. Los modelos multivariables permiten evaluar simultáneamente diferentes caracteres para evitar mejoras que perjudiquen otras propiedades importantes (Lande y Arnold, 1983).
Una aplicación particularmente importante combina procesos gaussianos, predicción estadística e inteligencia artificial para explorar paisajes de aptitud molecular. A diferencia de una simple curva normal, estos modelos estiman relaciones entre secuencias genéticas y funciones proteicas, incorporando la incertidumbre de sus predicciones. Investigaciones con enzimas citocromo P450 demostraron que permiten identificar variantes con mayor estabilidad térmica. En la industria, estas tecnologías pueden contribuir a reducir experimentos innecesarios, mejorar procesos biotecnológicos y acelerar la búsqueda de proteínas funcionales. Su eficacia depende de datos confiables y de comprobar experimentalmente las propiedades predichas (Romero et al., 2013).
Referencias
Lande, R., & Arnold, S. J. (1983). The measurement of selection on correlated characters. Evolution, 37(6), 1210–1226. https://doi.org/10.1111/j.1558-5646.1983.tb00236.x
Romero, P. A., Krause, A., & Arnold, F. H. (2013). Navigating the protein fitness landscape with Gaussian processes. Proceedings of the National Academy of Sciences, 110(3), E193–E201. https://doi.org/10.1073/pnas.1215251110
Yang, K. K., Wu, Z., & Arnold, F. H. (2019). Machine-learning-guided directed evolution for protein engineering. Nature Methods, 16, 687–694. https://doi.org/10.1038/s41592-019-0496-6

No hay comentarios:
Publicar un comentario