Caracterización de fenotipos metabólicos en modelos a escala genómica de enfermedades complejas mediante aprendizaje automático

Abstract

La medicina personalizada aprovecha los modelos metabólicos a escala genómica (MEGs) para representar y simular el estado metabólico de pacientes individuales. Este estudio presenta un marco computacional para la caracterización de fenotipos metabólicos en cáncer de mama, integrando MEGs con algoritmos de aprendizaje automático (AA). Se generaron MEGs específicos para 90 muestras de tejido mamario (66 tumorales y 24 normales), integrando datos genéticos, clínicos y bibliográficos en el modelo metabólico genérico Recon3D. La reconstrucción se realizó utilizando la herramienta XomicsToModel y la plataforma COBRA Toolbox, garantizando consistencia en los modelos. Las predicciones de flujos metabólicos se llevaron a cabo mediante una minimización ponderada de la norma L2, incorporando datos de expresión genética para considerar la variabilidad experimental. Esto permitió generar un conjunto de datos con 10,600 reacciones metabólicas que representan rutas activas e inactivas. Posteriormente, se aplicó un proceso de selección de característicasmediante filtrado estadístico para reducir la dimensionalidad, lo que permitió evaluar cinco algoritmos de clasificación (KNN, SVM, Regresión Logística, Árbol de Decisión y Naïve Bayes). Se utilizaron métricas de rendimiento como exactitud, precisión, sensibilidad, valor-F, entre otras, para determinar el algoritmo óptimo. El marco propuesto permitió diferenciar con éxito los fenotipos metabólicos de tejidos tumorales y normales, destacando huellas metabólicas en el cáncer de mama en rutas metabólicas como el intercambio y transporte extracelular y la oxidación de ácidos grasos. Los resultados respaldan el potencial de combinar MEGs y AA para avanzar en la medicina personalizada mediante la caracterización metabólica. Este enfoque también establece una base metodológica para explorar otras enfermedades con implicaciones metabólicas, destacando su aplicabilidad más amplia en medicina personalizada.