Estudio explora firmas de microARN para detectar y clasificar cánceres destacados

A medida que la comunidad médica se esfuerza por mejorar las herramientas de diagnóstico, los microARN o miARN han ocupado un lugar central en la investigación biomédica. Estos pequeños ácidos ribonucleicos (ARN) no codificantes juegan un papel crucial en todas las funciones biológicas, principalmente en la regulación de genes. En consecuencia, los miARN supervisan varios procesos biológicos y patológicos, incluida la formación y progresión del cáncer. El estrecho vínculo entre los miARN y muchos tipos de cáncer ha generado un mayor interés en el uso de datos de perfiles de expresión de miARN para la detección temprana no invasiva. El aprendizaje automático ha demostrado ser fundamental para crear modelos de clasificación pancancerosos de alto desempeño e identificar potenciales nuevos biomarcadores de miARN para la investigación clínica. Sin embargo, es crucial comprender cómo estas metodologías de ciencia de datos se relacionan con procesos biológicos conocidos para integrarlos mejor en entornos clínicos.

Investigadores de la Florida Atlantic University (FAU, Boca Raton, FL, EUA) investigaron más a fondo el potencial de los miARN como biomarcadores para la clasificación del cáncer y mejoraron las aplicaciones de clasificación clínica. Han desarrollado un modelo de diagnóstico de cáncer multiclase utilizando perfiles de expresión de miARN a través de un proceso iterativo que aplicó múltiples técnicas a un conjunto de datos en expansión de datos de cuantificación de la expresión de miARN. El estudio consistió en evaluar cómo las principales características de miARN seleccionadas por modelos de aprendizaje automático se correlacionan con biomarcadores de miARN verificados clínica y biológicamente. Utilizando los modelos de aprendizaje automático Máquina de Soporte de Vectores y Bosque Aleatorio, desarrollaron modelos de clasificación de cáncer y agregaron progresivamente más clases de cáncer a los modelos multiclase. El estudio analizó la relación entre los miARN relevantes identificados a través de la selección de características y las métricas de rendimiento de los modelos de clasificación en 20 iteraciones, cada una de las cuales incorporaba otro sitio de muestra principal, lo que aumentaba los tipos de cáncer incluidos.

Los investigadores estudiaron los cambios en las métricas de éxito a medida que se agregaban más tipos de cáncer, cómo evolucionó la firma de 20 miARN con la inclusión de más tipos de cáncer y las características generales de todo el conjunto de datos mediante el análisis de componentes principales, una técnica bien establecida para analizar grandes conjuntos de datos con numerosas dimensiones o características. Este estudio se diferencia de los anteriores que se centraron en las firmas de características de miARN para un conjunto de datos multiclase final, ya que rastreó los cambios en la relevancia clínica y biológica con cada adición de un tipo de tejido canceroso. Los hallazgos del estudio sugieren que los modelos con más clases de cáncer se enfocan en los miARN diversos del cáncer de mayor relevancia con funcionalidad caracterizada. El estudio implica que los miARN podrían ser muy exclusivos de determinados tejidos cancerosos y podrían servir como potentes biomarcadores para la detección y clasificación. Sin embargo, el estudio señaló que los actuales biomarcadores verificados caen hacia más miARN de todo el cáncer al detectar el cáncer.

El estudio ofrece información sobre las posibles relaciones entre la relevancia clínica general de la firma de extracción de características y las métricas de éxito de los modelos. Demuestra la factibilidad de usar una firma de cáncer de miARN de múltiples tejidos como una firma generalizable para la detección de cáncer de clase única en varios cánceres prevalentes. Los hallazgos revelaron que aunque las métricas de rendimiento disminuyeron a medida que aumentaba el número de clases de cáncer, el porcentaje de relevancia de la firma de selección de características de miARN aumentó marginalmente antes de estabilizarse. Además, después de realizar el análisis de componentes principales, los tejidos no cancerosos de todas las muestras mostraron visualizaciones de expresión muy similares, mientras que todos los tejidos cancerosos tenían perfiles únicos.

"Los microARN son una promesa importante para futuras pruebas de diagnóstico porque pueden detectarse directamente a partir de fluidos biológicos como la sangre, la orina o la saliva, así como la disponibilidad de técnicas de medición de alta calidad para los miARN", dijo Oneeb Rehman, autor correspondiente y cándidato a PhD en el Departamento de Ingeniería Eléctrica y Ciencias de la Computación dentro de la Facultad de Ingeniería y Ciencias de la Computación de la FAU. "Esto hace que la comprensión y la caracterización de la base biológica detrás de las posibles herramientas de clasificación de miARN sean cruciales para la integración en entornos clínicos".

Enlaces relacionados:
FAU