DRIVE-KG: Mejorar el descubrimiento de la asociación variante-fenotipo en enfermedades complejas poco estudiadas...

Área de la Ciencia:

• La genómica y la bioinformática
• Biología computacional
• Investigación sobre la salud de las mujeres

Sus antecedentes:

• La endometriosis es una condición de salud prevalente de las mujeres que afecta al 10% de las mujeres en edad reproductiva.
• Existe una caracterización genética limitada de la endometriosis, con el GWAS actual explicando solo el 11% de su heredabilidad.
• La integración de datos multi-ómicos es un desafío debido a su escasez y alta dimensionalidad.

Objetivo del estudio:

• Presentar DRIVE-KG, un nuevo gráfico de conocimiento heterogéneo para la integración de datos multi-ómicos.
• Identificar nuevas asociaciones entre el polimorfismo de un solo nucleótido (SNP) y la endometriosis.
• Mejorar la predicción clínica del estado de la endometriosis utilizando el aprendizaje automático basado en gráficos.

Principales métodos:

• Construido un gráfico heterogéneo (DRIVE-KG) que integra datos de dbSNP, NCBI Human Gene, Omics Pred, GTEx y objetivos abiertos.
• Utilizó un modelo de predicción de enlaces para identificar asociaciones de fenotipos SNP.
• Utilizó una red convolucional de gráficos (GCN) para la clasificación de la endometriosis a nivel de paciente utilizando datos de 1,441 participantes.

Principales resultados:

• Se descubrieron 66 asociaciones SNP-endometriosis de alta confianza no reportadas anteriormente.
• Se identificaron vínculos entre las nuevas variantes y la obesidad, el metabolismo lipídico y los trastornos depresivos, alineándose con las hipótesis emergentes de la endometriosis.
• Logró un AUPRC de 0,738 para la clasificación de la endometriosis utilizando GCN, superando una puntuación de riesgo genético (0,679).

Conclusiones:

• La integración de datos multiómicos heterogéneos a través de DRIVE-KG es valiosa para el descubrimiento y la predicción clínica en enfermedades poco estudiadas.
• DRIVE-KG facilita la identificación de nuevas asociaciones genéticas para la endometriosis.
• Los enfoques basados en gráficos ofrecen una mejor predicción clínica de la endometriosis en comparación con los métodos tradicionales.