Es un método en el cual se aplica la inteligencia artificial. Con base en el análisis de sangre, permite predecir si una persona aumentará de peso en caso de que no modifique sus hábitos. El proyecto se desarrolló en Brasil con el apoyo de la FAPESP (imagen: Katemangostar/ Freepik)

Un nuevo test apunta el riesgo de engordar y desarrollar diabetes
27-02-2020
PT EN

Es un método en el cual se aplica la inteligencia artificial. Con base en el análisis de sangre, permite predecir si una persona aumentará de peso en caso de que no modifique sus hábitos. El proyecto se desarrolló en Brasil con el apoyo de la FAPESP

Un nuevo test apunta el riesgo de engordar y desarrollar diabetes

Es un método en el cual se aplica la inteligencia artificial. Con base en el análisis de sangre, permite predecir si una persona aumentará de peso en caso de que no modifique sus hábitos. El proyecto se desarrolló en Brasil con el apoyo de la FAPESP

27-02-2020
PT EN

Es un método en el cual se aplica la inteligencia artificial. Con base en el análisis de sangre, permite predecir si una persona aumentará de peso en caso de que no modifique sus hábitos. El proyecto se desarrolló en Brasil con el apoyo de la FAPESP (imagen: Katemangostar/ Freepik)

 

Por Karina Toledo  |  Agência FAPESP – Investigadores de la Universidad de Campinas (Unicamp), en el estado de São Paulo, Brasil, desarrollaron un software que permite identificar, con base en el análisis de moléculas del plasma sanguíneo, a individuos con riesgo aumentado de aumentar de peso y desarrollar enfermedades asociadas a la obesidad.

Este trabajo estuvo coordinado por el profesor Rodrigo Ramos Catharino en el Laboratorio Innovare de Biomarcadores, y contó con el apoyo de la FAPESP. Sus resultados aparecen descritos en la revista Frontiers in Bioengineering and Biotechnology.

“Este análisis revela con alrededor de un 90% de precisión si una persona aumentará o no de peso en caso de que no se efectúe ninguna intervención. Y muestra a su vez si existe riesgo de que desarrolle enfermedades tales como diabetes, hipertensión y dislipidemia. Es una herramienta importante, pues les permite a los profesionales de la salud orientar cambios en el estilo de vida antes incluso antes de que se instale el problema”, declaró Ramos Catharino a Agência FAPESP.

El test puede realizarse con una muestra de sangre, que debe analizarse en un espectrómetro de masas. Este aparato muestra todos los metabolitos presentes en el fluido corporal. Este conjunto de moléculas retrata los diversos procesos metabólicos activos en el organismo.

Los datos obtenidos mediante espectrometría pueden entonces procesarse con el software desarrollado durante el doctorado de Flávia Luísa Dias-Audibert. Este trabajo se realizó en colaboración con el investigador Luiz Cláudio Navarro, bajo la dirección del profesor Anderson Rezende Rocha, en el Instituto de Computación de la Unicamp. El grupo contó con el apoyo del Centro de Investigaciones en Obesidad y Comorbilidades (OCRC), un Centro de Investigación, Innovación y Difusión (CEPID) de la FAPESP con sede también en la Unicamp.

“El programa mapea la presencia de cinco metabolitos que funcionan como biomarcadores con potencial para predecir el aumento de peso. Uno de ellos, cuando se encuentra presente en la muestra, indica que el paciente tiende a desarrollar diabetes en caso de volverse obeso”, comentó Ramos Catharino.

Los códigos del programa se encuentran disponibles para su descarga gratuita. Según Ramos Catharino, cualquier centro de salud que tenga acceso a un espectrómetro de masas puede hacer uso de esta metodología. 

“Se trata de una técnica barata y accesible incluso en el marco del Sistema Único de Salud [el SUS, la red pública nacional de salud de Brasil]. Basta con que se cuente con un espectrómetro de masas en la red, que puede atender a varios hospitales y centros ambulatorios”, dijo el investigador.

Aprendizaje de máquinas

La metodología desarrollada en la Unicamp combina herramientas de metabolómica (el estudio del conjunto de metabolitos en muestras biológicas) e inteligencia artificial (aprendizaje de máquinas). Los científicos utilizaron datos obtenidos mediante el análisis del plasma sanguíneo de 180 personas para “entrenar” al programa de computadora, a los efectos de que reconociera un patrón asociado al incremento de peso.

La mitad de los voluntarios incluidos en el estudio correspondía a individuos eutróficos (con un índice de masa corporal ubicado dentro de la franja considerada normal) y los restantes exhibían un variado grado de sobrepeso y obesidad.

“Todas esas personas pasaron por análisis antropométricos [mediciones de peso, altura y masa corporal] y respondieron un cuestionario con información sobre edad, género e historial familiar de enfermedades crónicas. Utilizamos datos de una parte de los pacientes para entrenar al software, y de otra parte para validarlo mediante la comparación de sus resultados con los datos antropométricos y los historiales de salud. Para ese entrenamiento se empleó un algoritmo de aprendizaje de máquinas conocido como Random Forest”, comentó Ramos Catharino.

En total, se identificaron 18 metabolitos como biomarcadores de procesos metabólicos que favorecen la acumulación de grasa en el organismo. De ellos, cinco exhibieron potencial como para predecir el aumento de peso.

“La prostaglandina B2 y el carboxi-leucotrieno B4 son dos metabolitos del ácido araquidónico [un ácido graso de la familia del omega 6] conocidos por participar en procesos inflamatorios, actuar en el reclutamiento de células hacia el sitio de inflamación e inducir la producción de especies reactivas de oxígeno [que en exceso perjudican el funcionamiento de las células]”, comentó Dias-Audibert. “Otras dos moléculas identificadas fueron el argininosuccinato y la diidrobiopterina, implicadas en el ciclo del óxido nítrico y caracterizadas como marcadores de la producción de radicales libres.”

Según la investigadora, la combinación de estos biomarcadores sugiere que en individuos con exceso de peso, se produce una retroalimentación de la cascada inflamatoria en el organismo. “Este hallazgo va al encuentro de diversos estudios en los cuales se describe la inflamación crónica de bajo grado como uno de los procesos deletéreos activos en una condición de exceso de peso”, dijo.

El quinto biomarcador apuntado como predictor fue el ácido carboxi-metil-propil-furano propanoico (CMPF), relacionado con la disfunción de las células productoras de insulina en el páncreas y con el desarrollo de diabetes. “Considerando que en el grupo estudiado había individuos diabéticos, es posible sugerir que ese marcador es el nexo entre el aumento de peso y la diabetes”, dijo Dias-Audibert.

A juicio de Ramos Catharino, los profesionales de la salud también pueden utilizar este programa para evaluar si el tratamiento prescrito para reducir el porcentaje de grasa corporal está funcionando.

“Incluso antes de que el individuo pierda peso es posible saber si la intervención está dando resultado. Si se interrumpen los procesos metabólicos que llevan a la acumulación de grasa, la tendencia indica que esos 18 metabolitos que identificamos desaparecen del plasma sanguíneo”, afirmó.

Puede leerse el artículo intitulado Combining Machine Learning and Metabolomics to Identify Weight Gain Biomarkers, de Flávia Luísa Dias-Audibert, Luiz Claudio Navarro, Diogo Noin de Oliveira, Jeany Delafiori, Carlos Fernando Odir Rodrigues Melo, Tatiane Melina Guerreiro, Flávia Troncon Rosa, Diego Lima Petenuci, Maria Angelica Ehara Watanabe, Licio Augusto Velloso, Anderson Rezende Rocha y Rodrigo Ramos Catharino, en el siguiente enlace: www.frontiersin.org/articles/10.3389/fbioe.2020.00006/full
 

  Republicar
 

Republicar

The Agency FAPESP licenses news via Creative Commons (CC-BY-NC-ND) so that they can be republished free of charge and in a simple way by other digital or printed vehicles. Agência FAPESP must be credited as the source of the content being republished and the name of the reporter (if any) must be attributed. Using the HMTL button below allows compliance with these rules, detailed in Digital Republishing Policy FAPESP.