Análisis basado en Inteligencia Artificial de perfiles de expresión génica de preeclampsia para la identificación de...

Área de la Ciencia:

• La genómica es la genómica.
• El descubrimiento de biomarcadores.
• Biología computacional Biología computacional.

Sus antecedentes:

• La preeclampsia (EP) es un trastorno hipertensivo complejo del embarazo con desafíos de diagnóstico.
• La detección temprana y los biomarcadores confiables son cruciales para el manejo de la EP y la mejora de los resultados maternos y fetales.

Objetivo del estudio:

• Desarrollar un marco de aprendizaje automático para identificar biomarcadores de diagnóstico de la preeclampsia utilizando perfiles de expresión génica.
• Para descubrir nuevas firmas moleculares asociadas con la preeclampsia para mejorar la precisión del diagnóstico.

Principales métodos:

• Integró múltiples conjuntos de datos públicos de secuenciación de ARN para identificar genes de expresión diferencial (DEG).
• Empleó la Eliminación de Características Recursivas (RFE) para determinar las firmas genéticas óptimas (20-50 características).
• Utilizado y comparado varios clasificadores de aprendizaje automático, con XGBoost mostrando un rendimiento superior.

Principales resultados:

• Identificaron conjuntos de genes predictivos enriquecidos con proteínas del dedo de zinc, reguladores de la señalización de la leptina y proteínas de remodelación vascular uterina.
• El clasificador XGBoost demostró una alta precisión en la distinción de muestras de preeclampsia.
• Destacó el papel de los receptores de estrógeno acoplados a la proteína G en la remodelación vascular uterina relacionada con la EP.

Conclusiones:

• El análisis de aprendizaje automático de los perfiles de expresión génica puede identificar eficazmente los posibles biomarcadores de la preeclampsia.
• Las firmas genéticas identificadas ofrecen información sobre los mecanismos moleculares de la EP.
• Este enfoque apoya el avance de estrategias de diagnóstico personalizado y temprano para la preeclampsia.