Publicação: Metabolômica integrada ao aprendizado de máquina para o diagnóstico e predição da progressão da doença renal crônica
Carregando...
Tipo do documento
Data
Direito de acesso
Coleções
Área do conhecimento
CNPQ::CIENCIAS DA SAUDE
Título da Revista
ISSN da Revista
Título de Volume
Orientador
Coorientador
Picolo, Bianca Uliana
Resumo
INTRODUÇÃO: A doença renal crônica (DRC) é um problema de saúde pública em
escala global e as abordagens terapêuticas atualmente disponíveis têm efeito limitado. Com
isso, torna-se evidente a necessidade de novas estratégias voltadas tanto ao diagnóstico precoce
quanto à redução da progressão da DRC, com destaque à utilização das abordagens ômicas, em
especial a metabolômica, integrada ao machine learning (ML). Essa integração pode auxiliar
na construção de modelos para diagnóstico, prognóstico e monitoramento da progressão da
DRC, além de superar as limitações inerentes aos métodos convencionais. OBJETIVO:
Caracterizar o perfil metabolômico sérico utilizando cromatografia líquida de alta eficiência
acoplada à espectrometria de massas em tandem (LC-MS/MS) e desenvolver modelos baseados
em ML para o diagnóstico e a predição da progressão da DRC. MÉTODOS: Participaram do
estudo indivíduos sem DRC (grupo controle); indivíduos com DRC (entre os estágios 2 e 4) em
tratamento conservador (grupo intermediário); e indivíduos em hemodiálise (grupo HD). Um
total de 148 participantes foram incluídos: grupo controle (n=55), grupo intermediário (n=32)
e grupo HD (n=61). Foram avaliadas variáveis sociodemográficas, fatores comportamentais,
parâmetros clínicos, medidas antropométricas e dados bioquímicos. As análises foram
realizadas em um equipamento de cromatografia líquida de alta eficiência acoplado a um
espectrômetro de massa de alta resolução. As análises estatísticas foram realizadas por meio
dos softwares Orange (Versão 3.37.0), STATA (versão 15.1) e MetaboAnalyst 6.0. Um valor
de p < 0,05 foi considerado estatisticamente significativo. Após a identificação dos metabólitos
diferencialmente expressos, algoritmos de ML foram empregados para diferenciar indivíduos
com DRC de participantes saudáveis. Os algoritmos empregados foram Logistic Regression
(LG), Support Vector Machine (SVM), Gradient Boosting (GB), Neural Network (NN) e
Random Forest (RF). O desempenho foi avaliado por meio da análise da curva ROC (Receiver
Operating Characteristic), cálculos da área sob a curva (AUC), escore F1, acurácia, precisão e
coeficiente de correlação de Matthews (MCC). Após o treinamento em diferentes algoritmos,
todos os modelos diagnósticos e de predição da progressão da DRC foram submetidos à
validação externa. Para interpretar os modelos de ML, foram aplicadas as Explicações Aditivas
de Shapley (Shapley Additive Explanations) (SHAP). RESULTADOS: Um total de 759
metabólitos foram identificados. A análise de expressão diferencial identificou 41 metabólitos
distintos para predição diagnóstica e 29 para predição da progressão. Esses metabólitos
diferenciais foram usados para treinar modelos de ML empregando os algoritmos. Após o treinamento, foi realizada uma validação externa utilizando os algoritmos previamente
treinados. Os resultados demonstraram que os modelos SVM e NN parecem ter sido os mais
eficazes tanto para o diagnóstico quanto para predição da progressão da DRC. CONCLUSÃO:
Nossos achados mostraram que os modelos de ML aplicados aos dados metabolômicos
apresentaram desempenho elevado, especialmente nos modelos SVM e NN. Portanto, a
combinação da metabolômica sérica e ML mostrou-se uma estratégia robusta para melhorar a
identificação precoce e o acompanhamento da doença.
Abstract
INTRODUCTION: Chronic kidney disease (CKD) is a global public health problem, and
currently available therapeutic approaches have limited effectiveness. This highlights the need
for new strategies aimed at both early diagnosis and reducing CKD progression, particularly
the use of omics approaches, especially metabolomics, integrated with machine learning (ML).
This integration can aid in building models for diagnosis, prognosis, and monitoring of CKD
progression, as well as overcoming the limitations inherent in conventional methods.
OBJECTIVE: To characterize the serum metabolomic profile using high-performance liquid
chromatography coupled to tandem mass spectrometry (LC-MS/MS) and to develop ML-based
models for the diagnosis and prediction of CKD progression. METHODS: The study included
individuals without CKD (control group); individuals with CKD (between stages 2 and 4)
undergoing conservative treatment (intermediate group); and individuals on hemodialysis (HD
group). A total of 148 participants were included: control group (n=55), intermediate group
(n=32), and HD group (n=61). Sociodemographic variables, behavioral factors, clinical
parameters, anthropometric measurements, and biochemical data were evaluated. Analyses
were performed using a high-performance liquid chromatography-mass spectrometer.
Statistical analyses were performed using Orange (Version 3.37.0), STATA (version 15.1), and
MetaboAnalyst 6.0 software. A p-value < 0.05 was considered statistically significant. After
identifying differentially expressed metabolites, machine learning (ML) algorithms were
employed to differentiate individuals with chronic kidney disease (CKD) from healthy
participants. The algorithms used were Logistic Regression (LG), Support Vector Machine
(SVM), Gradient Boosting (GB), Neural Network (NN), and Random Forest (RF). Performance
was evaluated through ROC (Receiver Operating Characteristic) curve analysis, area under the
curve (AUC) calculations, F1 score, accuracy, precision, and Matthews correlation coefficient
(MCC). After training on different algorithms, all diagnostic and CKD progression prediction
models underwent external validation. Shapley Additive Explanations (SHAP) were applied to
interpret the ML models. RESULTS: A total of 759 metabolites were identified. Differential
expression analysis identified 41 distinct metabolites for diagnostic prediction and 29 for
progression prediction. These differential metabolites were used to train ML models employing
the algorithms. After training, external validation was performed using the previously trained
algorithms. The results demonstrated that the SVM and NN models appear to have been the
most effective for both diagnosis and progression prediction of CKD. CONCLUSION: Our
findings show that the ML models applied to metabolomic data exhibited high performance, especially the SVM and NN models. Therefore, the combination of serum metabolomics and
ML proved to be a robust strategy to improve early identification and monitoring of the disease.
Palavras-chave
Doença Renal Crônica, Metabolômica, Machine Learning, Chronic Kidney Disease, Metabolomics
Citação
SOUSA, Letícia Cristina Machado de. Metabolômica integrada ao aprendizado de máquina para o diagnóstico e predição da progressão da doença renal crônica. 2026. 69 f. Dissertação (Mestrado em Ciências da Saúde) - Universidade Federal de Uberlândia, Uberlândia, 2026. DOI http://doi.org/10.14393/ufu.di.2026.5038.
Coleções
Avaliação
Revisão
Suplementado Por
Referenciado Por
Licença Creative Commons
Exceto quando indicado de outra forma, a licença deste item é descrita como Acesso Embargado