In-silico Validation of Biomarkers of Aging Diseases Using Machine Learning Techniques

• Autores: Antonio Pérez-Campoamor
• Directores de la Tesis: Verónica Bolón-Canedo (dir. tes.)
• Lectura: En la Universidade da Coruña ( España ) en 2025
• Idioma: inglés
• Tribunal Calificador de la Tesis: Víctor Quesada Fernández (presid.) , Laura Morán-Fernández (secret.) , José María Luna Ariza (voc.)
• Enlaces
  • Tesis en acceso abierto en: RUC
• Resumen
  • español

    La creciente integración de las tecnologías wearables, los datos moleculares y la inteligencia artificial (AI) está revolucionando la forma en que entendemos y cuantificamos el envejecimiento humano. Esta tesis explora el desarrollo de modelos de aprendizaje automático (ML) que unifican patrones digitales de estilo de vida y datos ómicos para generar biomarcadores precisos, interpretables y accesibles relacionados con la edad biológica y la progresión de enfermedades. Mediante la combinación de patrones de actividad física de dispositivos wearables con perfiles proteómicos, se han desarrollado dos nuevos relojes biológicos de envejecimiento -ActivAge y ProAge- que ofrecen información complementaria sobre el proceso de envejecimiento biológico. ActivAge capta los efectos en tiempo real del estilo de vida a través de variables fácilmente cuantificables como la frecuencia cardiaca en reposo o los minutos de inactividad, mientras que ProAge se centra en proteínas sanguíneas para revelar firmas moleculares del envejecimiento. Posteriormente, un exhaustivo estudio comparativo de los relojes epigenéticos más representativos pone de relieve la importancia de la selección de modelos, la reducción de la dimensionalidad y la selección de características en la precisión predictiva. En la parte final de la tesis, ampliamos este enfoque a las enfermedades autoinmunes, demostrando que los perfiles metabolómicos junto con el aprendizaje automático permiten tanto la estratificación de la enfermedad como la detección de firmas relacionadas con el envejecimiento en contextos patológicos. Aunque persisten algunas limitaciones como el tamaño de la muestra y la necesidad de una mayor validación, esta tesis sienta las bases para futuras investigaciones en medicina de precisión, demostrando cómo modelos rentables, escalables e interpretables pueden proporcionar medidas personalizadas de salud y envejecimiento en diversas poblaciones y estados de enfermedad.

  • English

    The increasing integration of wearable technologies, molecular data, and artificial intelligence (AI) is revolutionizing the way we understand and quantify human aging. This thesis explores the development of Machine Learning (ML) models that unify digital phenotyping and omics data to generate accurate, interpretable, and accessible biomarkers of biological age and disease. By combining physical activity patterns from wearable devices with plasma proteomic profiles, we have developed two novel aging clocks—ActivAge and ProAge—that offer complementary insights into the biological aging process. ActivAge captures short-term lifestyle effects through features such as resting heart rate and inactivity, while ProAge targets blood proteins to reveal molecular signatures of aging. A comprehensive comparative study of multiple iconic epigenetic clocks highlights the importance of model selection, dimensionality reduction and feature selection in predictive accuracy. In the final part of the thesis, we extend this approach to autoimmune diseases, showing that metabolomic profiling coupled with ML enables both disease stratification and the detection of aging-related signatures in pathological contexts. While some limitations remain such as sample size and the need for further validation, this thesis lays the groundwork for future research in precision medicine, demonstrating how cost-effective, scalable, and interpretable models can provide personalized measures of health and aging in diverse populations and disease states.

  • galego

    A crecente integración de tecnoloxías wearables, datos moleculares e intelixencia artificial (AI) está a revolucionar a forma en que entendemos e cuantificamos o envellecemento humano. Esta tese explora o desenvolvemento de modelos de aprendizaxe automática (ML) que unifican patróns de estilo de vida dixital e datos ómicos para xerar biomarcadores precisos, interpretables e accesibles relacionados coa idade biolóxica e a progresión da enfermidade. Ao combinar patróns de actividade física de dispositivos portátiles con perfís proteómicos, foron desenvolvidos dous novos reloxos de envellecemento, ActivAge e ProAge, que ofrecen unha visión complementaria do proceso de envellecemento biolóxico. ActivAge captura os efectos en tempo real do estilo de vida a través de variables facilmente cuantificables, como a frecuencia cardíaca en repouso ou os minutos de inactividade, mentres que ProAge céntrase nas proteínas do sangue para revelar sinaturas moleculares do envellecemento. Posteriormente, un estudo comparativo exhaustivo dos reloxos epixenéticos máis representativos destaca a importancia da selección de modelos, a redución da dimensionalidade e a selección de características na precisión preditiva. Na parte final da tese, estendemos este enfoque ás enfermidades autoinmunes, demostrando que o perfil metabolómico unido á aprendizaxe automática permite tanto a estratificación da enfermidade como a detección de sinaturas relacionadas co envellecemento en contextos patolóxicos. Aínda que quedan algunhas limitacións, como o tamaño da mostra e a necesidade de máis validacións, esta tese senta as bases para futuras investigacións en medicina de precisión, demostrando como os modelos rendibles, escalables e interpretables poden proporcionar medidas personalizadas da saúde e do envellecemento en diversas poboacións e estados de enfermidade.