Ciencia básica y patogénesis

Área de la Ciencia:

• Neurociencia; Genómica; Biotecnología

Sus antecedentes:

• La enfermedad de Alzheimer (EA) presenta perfiles de pacientes complejos y heterogéneos, lo que dificulta el diagnóstico y el desarrollo de tratamientos personalizados.; Las tecnologías ómicas (transcriptómica, metabolómica, proteómica) proporcionan datos moleculares completos para comprender la EA.; La integración de datos multiómicos puede revelar mecanismos de la enfermedad e identificar subgrupos de pacientes para la medicina personalizada.

Objetivo del estudio:

• Proponer un enfoque de integración de datos multiómicos y subtipificación de enfermedades para la enfermedad de Alzheimer.; Aprovechar las estructuras de red multiescala impulsadas por datos del Atlas de EA para un análisis mejorado.; Permitir la medicina personalizada identificando subtipos distintos de la enfermedad de Alzheimer.

Principales métodos:

• Se extrajeron características de módulos de red de datos de transcriptómica, proteómica y metabolómica utilizando WGCNA y PCA.; Se aplicó aprendizaje de representación de grafos profundos y agrupamiento no supervisado para identificar 25 clústeres multiómicos.; Se utilizó un modelo de autoencoder para el perfil de expresión multiómica integrada y la subtipificación de la enfermedad.

Principales resultados:

• El autoencoder aprendió eficazmente representaciones multiómicas de baja dimensión.; Se identificaron subtipos moleculares de EA no aparentes a través de análisis tradicionales.; Se demostró la sensibilidad del multioma cerebral a la neuropatología de la EA, el estado clínico y otras variables.

Conclusiones:

• La metodología de integración multiómica ofrece un marco sólido para la estratificación de pacientes con EA.; La integración de datos multiómicos y la red del Atlas de EA identificaron grupos de pacientes con parámetros clínicos compartidos.; Comprensión avanzada de la heterogeneidad molecular de la enfermedad de Alzheimer y las manifestaciones específicas de subtipos.