Investigadores de la Universidad de Pennsylvania están desarrollando estrategias de aprendizaje automático para mejorar la coincidencia de riñones y disminuir el riesgo de fallo del injerto
Investigadores de la Universidad de Pennsylvania mejoran la coincidencia de riñones y disminuyen el riesgo de fallo del injerto mediante el aprendizaje automático.
La IA ha surgido como un rayo de esperanza para las personas mediante el análisis de una cierta variación genética en la minimización del riesgo de trasplante de riñón. La evaluación de los riesgos de fracaso del injerto en los trasplantes de riñón ha dependido tradicionalmente de las incompatibilidades de HLA (antígenos leucocitarios humanos). Un equipo de investigación de la Universidad de Pensilvania ha explorado un innovador algoritmo de aprendizaje automático que puede ayudar a revelar las conexiones ocultas entre las incompatibilidades de aminoácidos (AA-MMs) y la probabilidad de fracaso del injerto.
Enfoque, llamado FIBRES (Evolución de Bins de Inclusión de Características para Estratificación de Riesgos), utiliza algoritmos evolutivos para construir automáticamente bins de AA-MMs, minimizando las suposiciones sobre la composición de los bins. Ayuda a estratificar de manera efectiva los pares de trasplantes en grupos de alto riesgo y bajo riesgo para la supervivencia del injerto. Al analizar un conjunto de datos de 1,66,754 trasplantes de riñón de donantes fallecidos del registro científico de receptores de trasplantes (SRTR) utilizando el enfoque FIBRES, los investigadores encontraron las limitaciones de los métodos tradicionales en cuanto al riesgo de fracaso del injerto. Destacaron el papel de la variabilidad de aminoácidos, lo que permitió a FIBRES identificar más del doble de pacientes de bajo riesgo.
FIBRES aprovechó un algoritmo evolutivo para optimizar de forma iterativa la aptitud de los bins de AA-MMs para la estratificación del riesgo de fracaso del injerto. Se seleccionó el bin de mejor desempeño como “padre” para generar nuevos bins descendientes mediante “recombinación” (es decir, cruce) y “mutación” (es decir, reemplazo, adición y eliminación) de las posiciones de AA dentro de los bins. FIBRES incorpora un “mínimo de estratos de riesgo” para garantizar la confiabilidad estadística de los resultados obtenidos.
Este enfoque se aplica en tres análisis: (1) construcción de bins utilizando AA-MMs en cinco loci de HLA y comparación de la estratificación de riesgos, (2) binning de AA-MMs dentro de cada HLA por separado y (3) evaluación del rendimiento mediante validación cruzada. Ayudó a mejorar la estratificación de riesgos en comparación con la incompatibilidad de antígenos 0-ABDR. Se encontró que el 24,4% de los trasplantes de riñón presentaban bajo riesgo según la evaluación de AA-MMs, en comparación con el 9,1% según el 0-ABDR. La validación cruzada demostró la generalidad de la predicción de riesgo de los bins de FIBRES, confirmando su solidez.
- Explorando algoritmos de búsqueda de caminos para Wall-E
- Ion-Alexandru Secara, Co-Fundador y CTO de Zen – Serie de Ent...
- 6 trabajos bien remunerados en Inteligencia Artificial a los que as...
Los investigadores destacaron que FIBRES podría ser más integral para determinar qué AA-MMs impactan el riesgo. Sin embargo, se requieren conjuntos de datos mucho más grandes. En el futuro, los investigadores tienen como objetivo abordar las limitaciones mediante (1) la ampliación del binning a loci de HLA adicionales, (2) la comparación de resultados entre receptores de primer trasplante y retrasplante, y (3) la adaptación de FIBRES para optimizar bins que puedan estratificar pares de donante/receptor en cualquier número de grupos de riesgo, aprender umbrales de grupo y aprender pesos de AA-MM para inferir la importancia de un determinado MM.
