Los investigadores de inmunología y bioinformática de la Universidad de Queensland han identificado una poderosa herramienta para analizar grandes conjuntos de datos de pacientes. Su trabajo podría conducir a una mejor estratificación de los pacientes y a la adopción precisa y más rápida de terapias dirigidas.
Dirigidos por el profesor Di Yu y el Dr. Yang Yang del Instituto Diamantina de la UQ, que trabajan en el Instituto de Investigación Traslacional, los investigadores compararon cuatro herramientas principales diferentes para analizar las firmas de sangre de los pacientes, en función de su expresión genética . Los métodos se compararon con 71 conjuntos de datos clínicos, cada uno con más de 100 muestras de pacientes.
«Cuando se considera que estamos viendo grandes conjuntos de datos de pacientes, cada uno de los cuales tiene más de 10,000 genes, necesitamos un método realmente bueno para reducir la complejidad de estos grandes datos para una mejor interacción», dice el profesor Yu.
«De las cuatro herramientas que comparamos, UMAP se destacó como increíblemente poderosa. Funcionó significativamente mejor que la PCA, que es la herramienta que muchos médicos utilizan actualmente para intentar estratificar a los pacientes», dice.
UMAP fue el más eficaz para informar sobre la agrupación de pacientes. Usando la herramienta, los investigadores pudieron separar muestras sanas de aquellas con lupus, así como segregar a los pacientes con lupus en subgrupos de enfermedades. También podían mostrar qué pacientes mejoraban y quiénes empeoraban.
La herramienta UMAP es relativamente nueva y actualmente solo se utiliza en investigación biomédica ; sin embargo, el profesor Yu espera que la publicación de los resultados de su equipo en la revista Cell Reports conduzca a su futura adopción en la clínica.
«El algoritmo de UMAP se basa más en el aprendizaje automático , y esto lo hace mucho más poderoso que la popular herramienta PCA, que tiene un enfoque lineal», dice el profesor Yu.
FUENTE: medicalxpress.com
Discusión sobre esta post