Identificación de genes relacionados con la progresión y construcción de un modelo de pronóstico para la enfermedad...

Área de la Ciencia:

• La genómica y la bioinformática
• Biología computacional
• Nefrología

Sus antecedentes:

• El diagnóstico y la intervención tempranos son cruciales para mejorar los resultados en la enfermedad renal crónica (ERC).
• Los modelos de predicción de riesgos existentes para la ERC a menudo se basan en indicadores tradicionales, con una brecha en los enfoques basados en la transcriptómica.
• La integración del aprendizaje automático con los datos transcriptómicos ofrece una vía prometedora para mejorar el pronóstico de la ERC.

Objetivo del estudio:

• Desarrollar y validar un modelo de predicción del riesgo basado en la transcriptómica para la enfermedad renal crónica (ERC) utilizando el aprendizaje automático.
• Identificar los conjuntos de genes centrales asociados con la aparición y la progresión de la ERC.
• Evaluar el rendimiento predictivo de estos conjuntos de genes en conjuntos de datos independientes y un modelo de ratón.

Principales métodos:

• El análisis de la red de correlación genética ponderada (WGCNA) y los algoritmos forestales aleatorios se emplearon para identificar conjuntos de genes centrales a partir de datos transcriptómicos (GSE137570).
• La validación externa se realizó utilizando los conjuntos de datos GSE66494, GSE180394 y GSE45980.
• Se construyeron modelos predictivos utilizando Cox, LASSO y regresión logística, con validación en un modelo de obstrucción ureteral unilateral (UUO) de ratón.

Principales resultados:

• Se identificaron tres conjuntos de genes (mínimo, medio y máximo), con el conjunto máximo mostrando el mejor rendimiento de clasificación de ERC (AUC: 0,767) en la validación externa.
• El conjunto mínimo de genes, incluidos CCL2, SUCLG1 y ACADM, se utilizó para construir un modelo de riesgo de regresión de Cox.
• Se observó una gran similitud en el enriquecimiento de KEGG entre la ERC humana y la del ratón, lo que confirma el valor diagnóstico de los genes centrales en ratones.

Conclusiones:

• Se desarrolló con éxito un nuevo modelo de predicción de riesgo basado en transcriptómica para la ERC utilizando el aprendizaje automático.
• Los genes centrales identificados sirven como objetivos potenciales para futuras investigaciones experimentales y estrategias terapéuticas en la ERC.
• Este enfoque mejora la comprensión de la patogénesis de la ERC y proporciona herramientas para la detección y la intervención tempranas.