Uso de la inteligencia artificial para la clasificación de transcriptomas de sangre entera

• Autores: Pérez, María Nelba
• Año de publicación: 2025
• Idioma: español castellano
• Tipo de recurso: tesis doctoral
• Colaborador/a o director/a de tesis: Miriuka, Santiago Gabriel
• Materia: TRANSCRIPTOMA; REDES NEURONALES; ARN; ATEROSCLEROSIS; SANGRE; TRANSCRIPTOM; NEURAL NETWORK; RNA; ATHEROSCLEROSIS; BLOOD
• Institución: Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales

El desarrollo de redes neuronales ha transformado nuestras actividades diarias, especialmente en biomedicina, donde ha mejorado la comprensión de enfermedades y el diagnóstico. Recientemente, se han logrado avances en el estudio de los ARNs y las técnicas de secuenciación masiva. El transcriptoma, que incluye todos los ARNs de una célula o tejido, varía según condiciones y tiempos. Aunque la sangre es un tejido accesible, puede no ser representativa. El análisis del transcriptoma podría reflejar mejor los estados de salud y enfermedad, pero su complejidad dificulta la interpretación individual de los ARNs. Esta tesis tiene como objetivo principal desarrollar una plataforma que clasifique transcriptomas de sangre entera mediante aprendizaje profundo. Se generó una base de datos de transcriptomas de sujetos sanos y con patologías como insuficiencia cardíaca y aterosclerosis. Se realizaron estudios clínicos para recolectar datos y muestras. Se entrenó una red neuronal residual de 50 capas, logrando una precisión del 93% en la clasificación de insuficiencia cardíaca y del 73.3% en aterosclerosis. Los resultados sugieren que el análisis del transcriptoma mediante redes neuronales profundas puede tener aplicaciones clínicas significativas.
The development of neural networks has transformed our daily activities, especially in biomedicine, where it has improved the understanding of diseases and diagnosis. Recently, significant advances have been made in the study of RNAs and mass sequencing techniques. The transcriptome, which includes all the RNAs in a cell or tissue, varies according to conditions and times. Although blood is an accessible tissue, it may not be representative. Analyzing the transcriptome could better reflect health and disease states, but its complexity makes the individual interpretation of RNAs challenging. The main objective of this thesis is to develop a platform that classifies transcriptomes from whole blood using deep learning. A database of transcriptomes from healthy subjects and those with conditions such as heart failure and atherosclerosis was generated. Clinical studies were conducted to collect data and samples. A 50-layer residual neural network was trained, achieving a classification accuracy of 93% for heart failure and 73.3% for atherosclerosis. The results suggest that analyzing the transcriptome using deep neural networks may have significant clinical applications.
Fil: Pérez, María Nelba. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina.