The rapid advancement of Next-Generation Sequencing (NGS) technologies has revolutionized the field of genomics, producing large volumes of data that necessitate sophisticated analytical techniques. This paper introduces a Deep Learning model designed to predict the pathogenicity of genetic variants, a vital component in advancing personalized medicine. The model is trained on a dataset derived from the analysis of NGS outputs, containing a combination of well-defined and ambiguous genetic variants. By employing a semi-supervised learning approach, the model efficiently utilizes both confidently labeled and less certain data. At the core of the methodology is the Feature Tokenizer Transformer architecture, which processes both numerical and categorical genomic information. The preprocessing pipeline includes key steps such as data imputation, scaling, and encoding to ensure high data quality. The results highlight the model’s impressive accuracy, particularly in detecting confidently labeled variants, while also addressing the impact of its predictions on less certain (soft-labeled) data.
Los modelos epidemiológicos clásicos SEIR ofrecen interpretabilidad, pero presentan una flexibilidad limitada para capturar factores contextuales dinámicos, mientras que los enfoques de aprendizaje automático suelen carecer de transparencia. Presentamos SEIR-XAI, un marco híbrido que integra un modelo SEIR en tiempo discreto con aprendizaje automático explicable para inferir la tasa de transmisión efectiva β como una variable dependiente del contexto. Mediante modelos interpretables y explicaciones basadas en SHAP, SEIR-XAI permite un análisis tanto global como local de cómo las intervenciones políticas y los factores ambientales influyen en la dinámica de transmisión. La evaluación con datos de COVID-19 muestra una mejora en el ajuste del modelo en comparación con un modelo SEIR base, manteniendo al mismo tiempo la interpretabilidad. Los resultados ponen de relieve que una modelización epidémica eficaz no debe centrarse únicamente en la precisión predictiva, sino también en proporcionar información transparente y accionable para el apoyo a la toma de decisiones.