Investigadores encontraron biomarcadores metabólicos útiles para crear herramientas de deep learning capaces de detectar Alzheimer de manera prematura.
Investigadores de la Universidad de Virginia Occidental (WVU, en inglés) identificaron un conjunto de biomarcadores metabólicos útiles para desarrollar modelos y herramientas de inteligencia artificial (IA) para la detección de la enfermedad de Alzheimer en etapas tempranas.
La detección temprana de esta enfermedad es importante para el desarrollo y la aplicación de fármacos, así como para implementar nuevos enfoques diagnósticos terapéuticos que mejoren la calidad de vida de los pacientes.
Los investigadores publicaron un estudio en el Journal of the Neurological Sciences, cuyo propósito fue identificar y describir un nuevo conjunto de biomarcadores de diagnóstico para el desarrollo de herramientas de aprendizaje profundo o deep learning capaces de predecir Alzheimer, utilizando datos metabolómicos de la plataforma Ultra Performance Liquid Chromatography Mass Spectrometry (UPLC-MS/MS).
UPLC-MS, es la plataforma analítica más utilizada en el fenotipado metabólica. Esta plataforma proporciona una gran potencia cromatográfica y de resolución de masas, detección de alta sensibilidad, modos flexibles de adquisición de datos que permiten la identificación de metabolitos y la adquisición de datos reproducibles para el análisis de cientos o miles de muestras que sirven para estudios de fenotipado metabólico pequeña y gran escala.
Los biomarcadores se refieren a indicadores medibles de la gravedad o presencia de una enfermedad. Los biomarcadores metabólicos existen en las moléculas de células, tejidos y fluidos corporales los cuales muestran la interacción entre los genes y el estilo de vida (alimentación, medio ambiente,) de los pacientes. De esta manera gracias a los biomarcadores los científicos son capaces de comprender mejor los cambios de salud que experimenta una persona y los riesgos que tiene de desarrollar una enfermedad.
Los autores eligieron el método de deep learning debido a su enfoque versátil para predecir fenómenos biológicos complejos y su habilidad de utilizar grandes volúmenes de datos y datos complejos de algoritmos para entrenar modelos. Esto favoreció a la construcción de redes neuronales de avance multicapa para predecir Alzheimer.
“La enfermedad de Alzheimer puede comenzar años o incluso décadas antes de la aparición de los síntomas clínicos, por lo que es crucial identificar biomarcadores predictivos en la fase preclínica para que la ciencia médica pueda desarrollar estrategias que eviten la progresión de la enfermedad”, explicó Wang.
Para el estudio se seleccionaron un total de 177 individuos, incluidos 78 con Alzheimer y 99 con cognición normal, de la cohorte Alzheimer’s Disease Neuroimaging Initiative (ADNI) junto con 150 biomarcadores metabolómicos y seleccionaros 21 biomarcadores como los más relevantes para Alzheimer. La edad de los participantes rondaba entre los 75 y los 82 años.
“El método de deep learning mediante redes neuronales artificiales, que se inspiran en la estructura en capas de las neuronas del cerebro y sus cómputos, ha alcanzado un rendimiento de predicción sin precedentes para tareas complejas”, explicó Kesheng Wang, uno de los autores y profesor de la WVU. Además, aseguró que se ha demostrado que las técnicas de deep learning son más precisas para el diagnóstico de Alzheimer en comparación con los modelos convencionales de machine learning o aprendizaje automático.
El estudio detalla que algunos de los metabolitos están correlacionados con biomarcadores clínicos, medidas cognitivas y volumen del hipocampo asociados a pacientes de Alzheimer. Por ejemplo, el hipocampo una de las áreas del cerebro suele dañarse primero por la enfermedad de Alzheimer.
Los autores probaron múltiples modelos de deep learning hasta encontrar el modelo con mayor precisión para la evaluación de Alzheimer. En este sentido, Wang afirmó que los estudios que utilizan estos métodos para detectar Alzheimer aún están en sus primeras fases, por lo que es necesaria más investigación.
Wang y su equipó se encuentran trabajando en un proyecto que integre datos de proteínas y metabolismo utilizando deep learning. “La base metabólica de la enfermedad de Alzheimer sigue siendo poco conocida y las relaciones entre las anormalidades sistémicas en el metabolismo y la patogénesis de la enfermedad de Alzheimer no están claras”, mencionó Wang
El estudio según los autores muestra el potencial para identificar biomarcadores metabólicos que sean predictivos del diagnóstico y la progresión de la enfermedad.
