Aplicación de algoritmos de predicción y aprendizaje de máquinas en el análisis genómico de los linfomas de células B.

Abstract

[ES]En los últimos años los estudios genómicos en los linfomas de células b (LCB) han permitido definir subgrupos moleculares con características clínicas y pronósticos diferentes. La posibilidad de acceder a los datos ómicos de varias series independientes de pacientes con linfomas b permitirá realizar análisis bioinformáticos y validaciones no planteados en cada estudio particular. Para lograr este objetivo, se disponen de datos multiómicos a los niveles genómico (alteración en el número de copias de ADN), transcriptómico (expresión génica mediante RNA-seq) y epigenómico (metilación de ADN), así como de las características clínicas de pacientes de supervivencia global y de supervivencia libre de progresión. Tras un primer procesamiento de los datos de partida, se lleva a cabo una preselección de variables conforme a las variables respuesta de interés mediante la prueba exacta de Fisher en el caso de la meti lación y copy number, o haciendo uso del paquete DESeq2 en el caso de datos de RNA-seq. A continua ción se realiza una segunda selección de las variables de interés mediante el algoritmo Boruta. Con las variables seleccionadas se llevan a cabo los estudios predictivos sobre la supervivencia global y super vivencia sin progresión empleando técnicas de machine learning como las máquinas de soporte de vec tores, bosques aleatorios y k vecinos más cercanos haciendo uso de un tercio de las muestras iniciales para la validación de los resultados de la predicción. Finalmente, se evalúa la eficacia de los resultados de los algoritmos de predicción empleando diferentes métricas de rendimiento como la eficacia, la sensibilidad y la especificidad.

[EN]In recent years, genomic studies in b-cell lymphomas (b-cell lymphomas) have made it possible to de fine molecular subgroups with different clinical and prognostic characteristics. The possibility of ac cessing omics data from several independent series of patients with b-cell lymphomas will allow bioin formatic analyses and validations not considered in each particular study. To achieve this goal, multi omics data are available at the genomic (DNA copy number alteration), transcriptomic (gene expres sion by RNA-seq) and epigenomic (DNA methylation) levels, as well as clinical characteristics of pa tients for overall survival and progression-free survival. After a first processing of the baseline data, a pre-selection of variables according to the response variables of interest is performed by fisher's exact test in the case of methylation and copy number, or by using the DESeq2 package in the case of rna-seq data. A second selection of the variables of interest is then performed using the Boruta algorithm. With the selected variables, predictive studies on overall survival and progression-free survival are carried out using machine learning techniques such as vector support machines, random forests and k-nearest neighbors using one third of the initial samples for validation of the prediction results. Finally, the effec tiveness of the results of the prediction algorithms is evaluated by employing different performance metrics such as efficiency, sensitivity and specificity