Marco de aprendizaje basado en caminata aleatoria para descubrir nuevos genes candidatos para la terapia de la...

Área de la Ciencia:

• Biología computacional
• Bioinformática
• Neurociencia

Sus antecedentes:

• La identificación de dianas terapéuticas para la enfermedad de Alzheimer (EA) es compleja debido a desafíos biológicos y clínicos.
• Los grafos de conocimiento biomédico ofrecen potencial para descubrir relaciones implícitas entre genes y la EA.

Objetivo del estudio:

• Identificar genes candidatos para la terapia de la EA aprovechando las propiedades de la red de los grafos de conocimiento biomédico.
• Priorizar dianas farmacológicas reutilizables para la EA utilizando puntuaciones de genes basadas en redes.

Principales métodos:

• Se aplicaron métodos escalables de caminata aleatoria a Hetionet para aprender incrustaciones de genes y enfermedades.
• Se calculó la similitud gen-EA y se derivaron puntuaciones basadas en redes para genes tratables.
• Se validaron las puntuaciones construyendo modelos clasificadores de la enfermedad de Alzheimer utilizando datos del Alzheimer's Disease Sequencing Project (ADSP) y Tree-based pipeline optimizer 2 (TPOT2).

Principales resultados:

• Las puntuaciones basadas en redes priorizaron con éxito diversos conjuntos de genes, incluidos aquellos no asociados previamente con la EA.
• Los genes priorizados se enriquecieron en áreas biológicamente relevantes como el cerebro y vías como la señalización neuronal, los canales de potasio y el metabolismo de la creatina.
• El marco capturó tanto conocimientos conocidos como novedosos sobre los mecanismos de la EA.

Conclusiones:

• Los grafos de conocimiento y las incrustaciones informadas por la red proporcionan un marco escalable e interpretable para la reutilización y el descubrimiento de fármacos contra la EA.
• La integración de puntuaciones basadas en redes con aprendizaje automático automatizado (TPOT2) mejora la identificación de posibles terapéuticas para la EA.