PGVDA: un marco de dosificación genética agregada por vías para la clasificación de enfermedades interpretable...

Área de la Ciencia:

• Genética; Neurología; Biología Computacional

Sus antecedentes:

• Los trastornos de la unión neuromuscular (NMD) y las polineuropatías inflamatorias (IPN) son distintos pero comparten vías biológicas.
• Existen comparaciones genéticas limitadas, lo que dificulta la comprensión de las diferencias subyacentes.
• El aprendizaje automático (ML) ofrece potencial para distinguir estas enfermedades basándose en patrones de variantes.

Objetivo del estudio:

• Desarrollar un marco de ML interpretable, Promedio de Dosis de Variantes Genéticas Basado en Vías (PGVDA), para clasificar NMD e IPN.
• Identificar genes y vías clave que diferencian estas dos enfermedades neuromusculares.
• Aprovechar los datos de dosis de variantes genéticas para mejorar la clasificación y la comprensión de las enfermedades.

Principales métodos:

• Se utilizaron variantes no sinónimas de 667 participantes del UK Biobank.
• Se empleó regresión logística para la asociación de variantes y el análisis de enriquecimiento de vías.
• Se desarrolló PGVDA promediando las razones de probabilidades logarítmicas de las dosis de variantes dentro de las vías.
• Se aplicó reducción de dimensionalidad y validación cruzada leave-one-out para la evaluación del modelo de ML.
• Se interpretaron los resultados utilizando valores SHAP para obtener información a nivel de vía y de variante.

Principales resultados:

• El marco de ML basado en PGVDA clasificó con precisión NMD e IPN.
• Se identificaron cinco PGVDA clave y 10 genes dentro de vías específicas que diferencian las enfermedades.
• El modelo de regresión logística demostró el mejor rendimiento.
• La agregación de variantes a nivel de vía resultó eficaz para la clasificación.

Conclusiones:

• El análisis de variantes genéticas a nivel de vía utilizando PGVDA proporciona un método preciso e interpretable para distinguir NMD e IPN.
• Este enfoque destaca genes y vías específicas cruciales para diferenciar estas condiciones neuromusculares.
• Se recomienda una validación externa adicional para confirmar la generalización.