TRIumph en nanotoxicología: simplificación de la transcriptómica en una sola variable predictiva

Área de la Ciencia:

• Toxicogenomía
• Biología computacional
• Nanotoxicología

Sus antecedentes:

• El análisis de datos transcriptómicos presenta desafíos debido a su alta dimensionalidad.
• Los métodos existentes requieren recursos computacionales sustanciales.
• Necesidad de metodologías de nuevo enfoque (NAM) para reducir las pruebas con animales.

Objetivo del estudio:

• Introducir un nuevo índice de respuesta transcriptómica (TRI) para simplificar los datos transcriptómicos.
• Enlace TRI con las propiedades fisicoquímicas de los nanotubos de carbono multiparedados inhalados (MWCNT).
• Desarrollar un modelo predictivo de cambios en la expresión génica basado en las propiedades de MWCNT.

Principales métodos:

• Desarrolló un índice de respuesta transcriptómica (TRI) para comprimir el espacio transcriptómico en una sola variable.
• Se utilizaron modelos cuantitativos de relación estructura-actividad (QSAR) y nano-QSAR.
• Modelos entrenados en cambios de pliegue de miles de genes expresados diferencialmente (DEG).

Principales resultados:

• TRI comprimió con éxito 5167 DEG en una sola variable, explicando el 99,9% del espacio transcriptómico.
• El modelo Nano-QSAR que vincula las propiedades de TRI y MWCNT logró una alta significación estadística (R2 = 0,83, Q_CV2 = 0,8, Q2 = 0,78).
• Demostró la capacidad de predecir cambios en la expresión génica utilizando una sola variable.

Conclusiones:

• El TRI ofrece un enfoque poderoso para administrar la complejidad de los datos transcriptómicos.
• Esta metodología apoya los NAM al reducir las pruebas con animales y la carga computacional.
• Desarrolló la plataforma ChemBioML, una herramienta fácil de usar para el desarrollo de modelos de aprendizaje automático en la ciencia reguladora.