Resumen de Bayesian neural networks to predict aging and disease risk
Gerard Alonso
Ha habido un mayor enfoque en la medicina personalizada en los últimos tiempos. Mejoras tecnológicas significativas en las últimas décadas generando una explosión en los datos disponibles ha sido uno de los impulsores de la expansión de este campo. Por ejemplo, la cantidad de datos de metilación del ADN, así como los datos SNP disponibles, ha aumentado considerablemente. Esta tesis se centra en la evolución de las técnicas de análisis de estos datos aplicados al campo del envejecimiento, así como a la detección de enfermedades, más concretamente para la identificación del cáncer y la diabetes. Se mostrará que el uso de un enfoque de dos pasos que consiste en una primera etapa en la que la dimensionalidad de los datos se reduce por algoritmos como Elastic Net, seguido de una técnica de predicción robusta como Bayesian Neural Networks es una opción viable que genera una pronóstico preciso. Otro algoritmo también se utilizó para la detección de enfermedades, como las máquinas vectoriales de soporte, así como los vecinos más cercanos de K.
Esta disertación se puede dividir en tres secciones principales con la primera sección que cubre el tema de los relojes biológicos utilizando datos de metilación del ADN y la reducción de la dimensionalidad mencionada anteriormente combinada con las redes neuronales bayesianas. El reloj biológico presentado en esta disertación genera previsiones de edad que son más precisas que algunos relojes existentes conocidos. Esta mejora se logra mediante el uso de un algoritmo no lineal. La segunda sección cubre el tema de la identificación del cáncer utilizando, como en el caso anterior, los datos de metilación del ADN y las máquinas vectoriales de soporte, así como el algoritmo de vecino más cercano de K. Se mostrará que para una gran cantidad de diferentes tipos de cáncer, como pulmón, colon, cervical o vejiga, el uso de datos de metilación de ADN junto con SVM generar pronósticos precisos. Otros algoritmos, como por ejemplo K-Vecinos más cercanos, también se utilizaron con fines de detección de cáncer. La última sección cubre el estudio de la diabetes utilizando en este caso los datos de SNPs y las redes neuronales bayesianas que también genera una detección precisa de la diabetes.
Dada la cantidad cada vez mayor de datos de metilación de ADN, así como los datos de SNP disponibles, así como los avances en el almacenamiento de datos, existe una creciente necesidad de tener métodos más adecuados y sofisticados para analizar dichos datos. Una de las suposiciones básicas de esta tesis es que la relación entre la metilación del ADN y el envejecimiento y el cáncer, así como entre los SNP y la diabetes no necesariamente necesitan seguir un modelo lineal y, por lo tanto, modelos no lineales, como las redes neuronales bayesianas, pueden generar resultados más precisos. Se demostrará que este es el caso con modelos que generan resultados bastante precisos.
