El envejecimiento implica la acumulación gradual de daños y es un importante factor de riesgo de enfermedades crónicas. Los mecanismos epigenéticos, en particular la metilación del ADN, desempeñan un papel en el envejecimiento, aunque los procesos biológicos específicos siguen sin estar claros. Los relojes epigenéticos estiman con precisión la edad biológica basándose en la metilación del ADN, pero es necesario comprender mejor sus algoritmos subyacentes y sus procesos clave de envejecimiento. A pesar de las diversas perspectivas de investigación, el deterioro funcional asociado con el envejecimiento sigue siendo un punto focal de intenso interés científico.
Los biomarcadores basados en la metilación del ADN son prometedores a la hora de predecir cambios relacionados con la edad en diversas fuentes de ADN. Los relojes epigenéticos estiman la edad cronológica mediante aprendizaje automático supervisado y combinaciones de CpG. Construir un estimador de edad basado en la metilación del ADN de múltiples tejidos es un desafío debido a las diferencias entre los tejidos. El reloj de Horvath, que emplea regresión neta elástica en 353 CpG, es preciso en diversas fuentes de ADN. Los métodos basados en redes neuronales para estimar la edad biológica han mostrado una alta precisión pero carecen de interpretabilidad, lo que impulsó el desarrollo de una herramienta biológicamente informada para predicciones interpretables sobre el cáncer de próstata y la resistencia al tratamiento.
Los investigadores han propuesto un modelo de predicción de aprendizaje profundo llamado XAI-EDAD (XAI significa IA explicable) que integra información biológicamente jerárquica previamente identificada en un modelo de red neuronal para predecir la edad biológica basándose en datos de metilación del ADN. Este modelo se alinea con la jerarquía de vías biológicas, similar a la herramienta de Elmarakeby. Al comparar su rendimiento con la regresión neta elástica, los investigadores encontraron una precisión de predicción mejorada y resaltaron la versatilidad de nuestro enfoque. Permite evaluar la importancia de los CpG, los genes, las vías biológicas o ramas y capas completas de vías para predecir la edad a lo largo de la vida humana.
El modelo comprende múltiples capas, cada una correspondiente a distintos niveles de abstracción biológica de ReactomeDB. Los valores beta de metilación de CpG ingresan a la capa de entrada y la información se propaga a través de la red, conectando nodos según anotaciones compartidas en ReactomeDB. La predicción de la edad cronológica se logra calculando la media aritmética de los resultados de las capas individuales. Este enfoque garantiza un flujo restringido de información a través de la red, lo que refleja la naturaleza jerárquica de las vías biológicas en ReactomeDB.
XAI-EDAD superó los predictores de primera generación y coincidió con los modelos de aprendizaje profundo al predecir con precisión la edad biológica a partir de la metilación del ADN. Sobresalió en sangre total y tipos de tejido PBMC sanguíneos, pero tuvo un desempeño deficiente en el cordón sanguíneo, la médula ósea y el esófago. Entrenado y probado en un conjunto de datos de 6547 muestras de pacientes en 54 cohortes y múltiples tejidos, el modelo integró ReactomeDB para obtener información biológicamente significativa. Las predicciones del modelo permitieron rastrear el flujo de información e identificar fuentes relevantes.
Para concluir, los investigadores han introducido una arquitectura de red neuronal precisa e interpretable basada en la metilación del ADN para estimar la edad. Este modelo ofrece una fácil interpretación de los resultados entre tejidos, grupos de edad y diferenciación de líneas celulares. El modelo resultante puede generar hipótesis y visualizar los mecanismos subyacentes relacionados con el envejecimiento. Los investigadores han demostrado esta característica del modelo examinando las puntuaciones de importancia de las neuronas individuales para predecir la edad en la que se entrenó la red neuronal en diferentes conjuntos de datos. El resultado más notable probablemente se obtuvo para el conjunto de datos de tejido pan.
Revisar la Papel. Todo el crédito por esta investigación va a los investigadores de este proyecto. Además, no olvides seguirnos en Gorjeo. Unirse nuestro SubReddit de 36k+ ML, 41k+ comunidad de Facebook, Canal de discordiay LinkedIn Grarriba.
Si te gusta nuestro trabajo, te encantará nuestro Boletin informativo..
No olvides unirte a nuestro Canal de telegramas
Asjad es consultor interno en Marktechpost. Está cursando B.Tech en ingeniería mecánica en el Instituto Indio de Tecnología, Kharagpur. Asjad es un entusiasta del aprendizaje automático y el aprendizaje profundo que siempre está investigando las aplicaciones del aprendizaje automático en la atención médica.