Desde el aprendizaje automático hasta la comprensión causal: una firma robusta de 12 genes para distinguir el riesgo...

Área de la Ciencia:

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

Sus antecedentes:

• La sepsis presenta desafíos de diagnóstico debido a su compleja respuesta del huésped.
• Distinguir la sepsis del síndrome de respuesta inflamatoria sistémica no infecciosa (SIRS) es crítico para una intervención oportuna.

Objetivo del estudio:

• Identificar biomarcadores robustos de expresión génica para diferenciar la sepsis del SIRS.
• Desarrollar una firma predictiva para el diagnóstico de la sepsis.

Principales métodos:

• Análisis de conjuntos de datos públicos de expresión génica omnibus (GEO).
• Aplicación del análisis de expresión diferencial, análisis de red de coexpresión génica ponderada (WGCNA) y 113 modelos de aprendizaje automático.
• Investigación de genes hub utilizando infiltración inmune, secuenciación de ARN de una sola célula (scRNA-seq) y aleatorización mendeliana (MR), con validación in vitro e in vivo.

Principales resultados:

• Una firma de 12 genes logró una alta precisión (AUC 0,998) para distinguir la sepsis del SIRS, con una fuerte validación externa.
• La aleatorización mendeliana sugirió un vínculo causal entre la expresión elevada de EIF4G3 y el riesgo de sepsis.
• scRNA-seq identificó las células mieloides como el sitio primario de la expresión génica central, incluido el DNAJC5.5.

Conclusiones:

• Una firma validada de 12 genes diferencia efectivamente la sepsis del SIRS.
• EIF4G3 y DNAJC5 se muestran prometedores como biomarcadores potenciales para el diagnóstico temprano de la sepsis.
• Esta firma puede ayudar a identificar a los pacientes de alto riesgo para una pronta intervención terapéutica.