Metabolómica y machine learning para predecir las señales tempranas de la diabetes tipo 2
Un estudio ha combinado metabolómica basada en resonancia magnética nuclear y machine learning para encontrar una firma molecular independiente de la glucosa asociada a la DM2.
Varios grupos del CIBERDEM han participado en un estudio que ha combinado metabolómica basada en resonancia magnética nuclear y machine learning para encontrar una firma molecular independiente de la glucosa asociada al desarrollo de diabetes tipo 2 (DM2), es decir, un conjunto de indicadores biológicos que podrían servir como señales ...
Varios grupos del CIBERDEM han participado en un estudio que ha combinado metabolómica basada en resonancia magnética nuclear y machine learning para encontrar una firma molecular independiente de la glucosa asociada al desarrollo de diabetes tipo 2 (DM2), es decir, un conjunto de indicadores biológicos que podrían servir como señales tempranas o predictores de la enfermedad más allá de los tradicionales.
El trabajo, cuyos resultados se han publicado en ´Diabetes Research & Clinical Practice´, se ha llevado a cabo en un subgrupo de individuos del estudio Di@bet.es, un estudio nacional, transversal y poblacional del CIBERDEM iniciado en 2008-2010 y que midió la prevalencia e incidencia de diabetes tipo 2 en la población adulta en el conjunto de España.
Tal y como apuntan los autores "el trabajo perseguía encontrar trazas moleculares independientes de glucosa que pudieran estar asociadas con el desarrollo futuro de diabetes mellitus tipo 2".
Para ello, se analizaron conjuntamente tres grupos de personas, con datos correspondientes a un periodo de análisis de ocho años del estudio Di@bet.es: personas que desarrollaron DM2 en algún momento del periodo de seguimiento; personas que no desarrollaron diabetes, pero sí presentaban concentraciones de glucosa iguales a las del grupo anterior; y un grupo de control.
Sobre los datos de los tres subgrupos se realizó un análisis metabolómico del suero para obtener perfiles de lipoproteínas y glicoproteínas y 15 metabolitos de bajo peso molecular. Posteriormente, los datos obtenidos se insertaron como inputs en varios modelos basados en machine learning.
Los resultados del estudio mostraron que las variables relacionadas con las glicoproteínas, la creatinina, la creatina, las pequeñas partículas de HDL y los intervalos de Johnson-Neyman de la interacción de Glyc A y Glyc B eran estadísticamente significativos.
Según apunta el doctor Ribalta: "el modelo de análisis permitió mostrar una contribución relevante de la inflamación (patrón de glicosilación y HDL) y del músculo (creatinina y creatina) en el desarrollo de la diabetes tipo 2 como factores independientes de la hiperglucemia".
