El grafo de conocimiento biomédico del fenotipo de síntomas en la placa de la arteria coronaria: análisis basado en aprendizaje automático de datos clínicos del mundo real

Un grafo de conocimiento puede mostrar eficazmente las características esenciales de los datos y está emergiendo cada vez más como un medio significativo para integrar información en el campo de la inteligencia artificial. La placa de la arteria coronaria representa una etiología significativa de eventos cardiovasculares, planteando un desafío diagnóstico para los clínicos que enfrentan una multitud de síntomas no específicos. Para visualizar el grafo de red jerárquico de las relaciones de los mecanismos moleculares subyacentes a las propiedades de la placa y los fenotipos sintomáticos, se extrajo la sintomatología de los pacientes de datos de registros electrónicos de salud en entornos clínicos del mundo real. Se construyeron redes fenotípicas utilizando datos clínicos y redes de interacción proteína‒proteína. Se emplearon técnicas de aprendizaje automático, incluyendo redes neuronales convolucionales, el algoritmo de Dijkstra y la similitud semántica de ontología genética, para cuantificar características clínicas y biológicas dentro de la red. Las características resultantes fueron utilizadas para entrenar un modelo de K vecinos más cercanos, que produjo 23 síntomas, 41 reglas de asociación y 61 genes centrales en los tres tipos de placas estudiadas, alcanzando un área bajo la curva del 92,5%. Posteriormente, se utilizaron análisis de redes de correlación ponderada y enriquecimiento de rutas para identificar genes relacionados con el estado lipídico y vías asociadas con la inflamación que podrían ayudar a explicar las diferencias en las propiedades de la placa. Para confirmar la validez del modelo de grafo de red, realizamos análisis de coexpresión de los genes centrales para evaluar su potencial valor diagnóstico. Además, investigamos la infiltración de células inmunes, examinamos las correlaciones entre los genes centrales y las células inmunes, y validamos la confiabilidad de las vías biológicas identificadas. Al integrar datos clínicos e información de redes moleculares, este modelo de grafo de conocimiento biomédico elucidó eficazmente los posibles mecanismos moleculares que coluden síntomas, enfermedades y moléculas.