Graph-based techniques and strategies for diagnosis and characterization of neurodegenerative diseases.

• Autores: Laura Hernández Lorenzo
• Directores de la Tesis: Jordi A. Matías-Guiu (dir. tes.), José Luis Ayala Rodrigo (dir. tes.)
• Lectura: En la Universidad Complutense de Madrid ( España ) en 2024
• Idioma: inglés
• Títulos paralelos:
  • Técnicas y estrategias basadas en grafos para el diagnostico y caracterización de enfermedades neurodegenerativas.
• Tribunal Calificador de la Tesis: Katzalin Olcoz (presid.), Raquel Hervás Ballesteros (secret.), Josué Pagán Ortiz (voc.), Ana Beatriz Gago Veiga (voc.)
• Programa de doctorado: Programa de Doctorado en Ingeniería Informática por la Universidad Complutense de Madrid
• Menciones:
  • Internacional
• Calificación: Sobresaliente Cum Laude
• Materias:
  • Matemáticas
    • Ciencia de los ordenadores
      • Inteligencia artificial
  • Ciencias médicas
    • Medicina interna
      • Neurología
• Enlaces
  • Tesis en acceso abierto en: Docta Complutense
• Resumen

  • El aprendizaje automático puede acercar la práctica clínica a un sistema centrado en las características individuales de cada persona y sus necesidades como paciente. Este paradigma personalizado adquiere especial relevancia en el contexto de las enfermedades neurodegenerativas, asociadas a importantes retos socioeconómicos y médicos, y cuyos mecanismos fisiopatológicos se desencadenan varias décadas antes de la aparición de los primeros síntomas. En este sentido, las aplicaciones de aprendizaje automático tienen el potencial de convertirse en herramientas para diagnóstico precoz, mínimamente invasivo y fiable, permitir el descubrimiento de nuevas dianas terapéuticas, así como facilitar la organización de los planes de tratamiento y seguimiento de los pacientes. Dentro de las estrategias de medicina personalizada y de precisión se incluye el análisis de datos procedentes de tecnologías ómicas (como la genómica), que arrojan información sobre las características moleculares individuales de cada persona. Sin embargo, los datos ómicos suponen un gran desafío para los modelos de aprendizaje automático, debido a su alta dimensionalidad y complejidad en su procesamiento e interpretación. En la actualidad, se ha llamado la atención sobre la necesidad de integrar este tipo de datos con la biología de redes, teniendo en cuenta no solo las entidades moleculares que forman estos datos (genes, proteínas), sino también las relaciones e interacciones que existen entre ellos. En este punto, es necesario implementar estrategias que permitan codificar e incorporar datos ómicos en redes o grafos. Este último aspecto ha cobrado mucha importancia en la última década, combinando las disciplinas de teoría de grafos y aprendizaje automático.

    En esta Tesis, combinamos el uso de datos de genómica, redes biológicas y estrategias de aprendizaje automático basadas en grafos para el desarrollo de herramientas automatizadas para el diagnóstico temprano de enfermedades neurodegenerativas, así como evaluar éstas respecto a su rendimiento y su aplicación en el contexto de la neurología. Proponemos la combinación de la genómica con estrategias de aprendizaje automático como un sistema de personalización de la salud, con alto potencial informativo y poco invasivo. La metodología principal consistió en generar un grafo específico e individualizado para cada paciente, mapeando con distintas estrategias la información de secuenciación genética en distintas redes biológicas. En primer lugar, aplicamos una estrategia directa de clasificación de grafos, utilizando redes neuronales (Graph Neural Networks), para predecir distintos fenotipos característicos en EA. En un segundo trabajo, desarrollamos y comparamos el rendimiento para la predicción de EA y fenotipos relacionados de dos estrategias de codificación de la información genética en redes: (i) aplicando estrategias de graph embeddings, y (ii) desarrollando un sistema de ponderación de los ejes del grafo de cada paciente. Finalmente, planteamos una estrategia no-supervisada para descubrir perfiles genéticos en una cohorte de Alzheimer, con el objetivo de arrojar más conocimiento sobre los mecanismos biológicos que subyacen a esta enfermedad, utilizando como datos de entrada los pesos en los ejes individualizados mencionados anteriormente.

    Con el desarrollo de estas técnicas y estrategias, y empleando numerosas herramientas y metodologías dentro de la biología computacional y el aprendizaje automático, esta Tesis proporciona una amplia visión de cómo el desarrollo de modelos de aprendizaje automático son un eje principal en el acercamiento de la investigación enfermedades neurodegenerativas y complejas hacia un modelo más personalizado y centrado en el paciente.