El aprendizaje automático identifica seis genes del envejecimiento compartidos entre la enfermedad de Alzheimer y la osteoporosis
Un cribado con 130 modelos de aprendizaje automático, junto con experimentos celulares, identifica seis genes del envejecimiento comunes a la enfermedad de Alzheimer y la osteoporosis, lo que apunta a una biología compartida.
Resumen
La enfermedad de Alzheimer y la osteoporosis se vuelven mucho más frecuentes con la edad y comparten factores de riesgo como el sexo femenino, la genética y el estilo de vida, pero la biología que tienen en común se conoce poco. Los investigadores combinaron conjuntos de datos públicos de expresión génica de ambas enfermedades con una lista de más de 2000 genes conocidos relacionados con el envejecimiento. Encontraron 228 genes del envejecimiento alterados en ambas afecciones. Un cribado de 130 modelos de aprendizaje automático los redujo a seis: *EGR1*, *NFKBIA*, *UQCRC2*, *RB1*, *CREBBP* y *NDUFV1*. Estos genes se relacionan con la senescencia celular, la inflamación, la producción de energía mitocondrial y el control del ciclo celular. En células cerebrales de ratón y en células precursoras de hueso envejecidas artificialmente con D-galactosa, los seis genes cambiaron en las células cerebrales y cuatro cambiaron en las células óseas. Se trata de un estudio computacional exploratorio y no de una prueba clínica, pero apunta a vías de envejecimiento compartidas que podrían abordarse de forma conjunta.
Resumen detallado
La enfermedad de Alzheimer (EA) y la osteoporosis (OP) son enfermedades de la vejez. La incidencia de la EA se duplica cada cinco años después de los 65 años, y casi la mitad de las personas de 85 años o más la padecen. Se prevé que la prevalencia de la OP se duplique entre 2010 y 2040. Trabajos previos vinculan ambas enfermedades mediante la estimulación de los osteoclastos por el beta-amiloide, la disminución de la osteocalcina derivada del hueso, la alteración de la señalización Wnt/β-catenina y citocinas inflamatorias compartidas, como TNF-α e IL-6. Sin embargo, los factores moleculares compartidos relacionados con el envejecimiento no se habían cartografiado a nivel de sistemas.
Los autores combinaron cuatro conjuntos de datos públicos de microarrays de GEO con 2285 genes relacionados con el envejecimiento, seleccionados manualmente a partir de Human Ageing Genomic Resources y GeneCards. Las cohortes de EA fueron GSE132903 (97 casos, 98 controles) y GSE5281 (87 casos, 74 controles). Las cohortes de OP fueron GSE35958 (5 casos, 4 controles) y GSE7158 (12 casos, 14 controles). Cada conjunto de datos se analizó por separado con limma (P ajustada < 0,05, cambio logarítmico en base 2 absoluto > 0,585) en lugar de combinarlos, y después se intersectaron los resultados. El análisis de redes de coexpresión génica ponderada (WGCNA) identificó módulos de genes vinculados a las enfermedades.
El análisis encontró 5889 genes diferencialmente expresados relacionados con la EA y 2348 relacionados con la OP, de los cuales 725 eran compartidos. WGCNA identificó un módulo marrón correlacionado positivamente con la EA (r = 0,57, P = 5 × 10⁻¹⁵; 1576 genes) y un módulo rojo correlacionado negativamente con la OP (r = −0,50, P = 0,01; 711 genes). Al integrarlos con los resultados de expresión diferencial se obtuvieron 1660 genes compartidos, y al intersectarlos con los genes del envejecimiento quedaron 228. Estos estaban enriquecidos en las vías PI3K-Akt, de regulación de la longevidad, senescencia celular, FoxO, p53, TNF y apoptosis. La red de interacción de proteínas destacó 30 genes centrales (hub), entre ellos *TP53*, *EGFR*, *NDUFV1* y *UQCRC2*.
Después, el equipo construyó 130 modelos predictivos a partir de 11 algoritmos. Un conjunto de Lasso más gradient boosting (GBM) fue el que mejor rindió, con AUC de 0,915 (GBM) y 0,909 (Lasso), y seleccionó seis genes: *EGR1*, *NFKBIA*, *UQCRC2*, *RB1*, *CREBBP* y *NDUFV1*. Las AUC individuales variaron entre 0,646 (*RB1*) y 0,853 (*NFKBIA*). El análisis SHAP clasificó a *EGR1* (0,104) y *NFKBIA* (0,095) como los predictores más influyentes. Un nomograma de seis genes mostró una calibración aceptable y beneficio neto en el análisis de curvas de decisión.
En la cohorte GSE33000 (310 con EA, 157 controles), CIBERSORT y ssGSEA mostraron que los genes centrales se correlacionaban con los patrones de infiltración de células inmunitarias. Para la validación experimental se emplearon modelos de senescencia inducida por D-galactosa. Los seis genes se alteraron de forma significativa en las neuronas hipocampales de ratón HT22. En los preosteoblastos de ratón MC3T3-E1, *EGR1*, *NFKBIA*, *UQCRC2* y *NDUFV1* cambiaron de forma significativa, mientras que *RB1* y *CREBBP* no lo hicieron, por lo que la firma es en parte específica del tipo celular.
Los hallazgos señalan la inflamación, la fosforilación oxidativa mitocondrial, la senescencia y el control del ciclo celular como ejes compartidos del envejecimiento. Las salvedades son considerables. Los conjuntos de datos de OP son muy pequeños y proceden de distintos tejidos y plataformas. El nomograma de "coocurrencia" se construyó a partir de cohortes separadas de una sola enfermedad, no de pacientes con ambas afecciones. La validación se basó solo en ARNm en líneas celulares de ratón, con un modelo químico de envejecimiento, sin pruebas de proteínas, in vivo ni causales. Los resultados sirven para generar hipótesis y no son clínicamente aplicables.
Hallazgos clave
- Identified 228 aging-related genes dysregulated in both Alzheimer's disease and osteoporosis, from 725 shared differentially expressed genes and 2,285 curated aging genes
- Screened 130 machine learning models from 11 algorithms; Lasso + GBM ensemble performed best (AUC 0.915 for GBM, 0.909 for Lasso)
- Six hub genes selected: EGR1, NFKBIA, UQCRC2, RB1, CREBBP, NDUFV1; individual AUCs ranged from 0.646 (RB1) to 0.853 (NFKBIA)
- SHAP ranked EGR1 (0.104) and NFKBIA (0.095) as the most influential predictors in the model
- WGCNA found an AD-linked brown module (r = 0.57, P = 5 × 10⁻¹⁵) and an OP-linked red module (r = −0.50, P = 0.01)
- Enrichment linked the shared genes to cellular senescence, p53, FoxO, PI3K-Akt, TNF signaling, and mitochondrial oxidative phosphorylation
- In D-galactose senescence models, all 6 genes changed in HT22 neurons, but only 4 changed in MC3T3-E1 pre-osteoblasts (RB1 and CREBBP did not)
Metodología
Se trató de un estudio computacional que utilizó cuatro conjuntos de datos públicos de microarrays de GEO (EA: 97/98 y 87/74 casos/controles; OP: 5/4 y 12/14), y empleó GSE33000 (310 casos de EA, 157 controles) para la deconvolución inmunitaria. La expresión diferencial (limma) se realizó por separado en cada conjunto de datos y se intersectaron los resultados, seguida de WGCNA, análisis de enriquecimiento GO/KEGG y análisis de interacción de proteínas con STRING. Los modelos se entrenaron con validación cruzada estratificada de 10 pliegues y se clasificaron según el AUC; se aplicaron SHAP, nomograma, calibración y análisis de curvas de decisión, y la infiltración inmunitaria se evaluó mediante CIBERSORT y ssGSEA. Seis genes se validaron mediante RT-qPCR (referencia GAPDH, 2^−ΔΔCt, tres experimentos independientes) en células murinas HT22 y MC3T3-E1 tratadas con D-galactosa, utilizando pruebas de Wilcoxon.
Limitaciones del estudio
Las cohortes de OP fueron muy pequeñas (5 frente a 4 y 12 frente a 14), y los conjuntos de datos abarcaban diferentes tejidos, cohortes y plataformas. El nomograma diagnóstico para la coocurrencia de AD y OP se construyó a partir de conjuntos de datos de enfermedades independientes, en lugar de pacientes con ambas afecciones, y *RB1* tuvo un AUC modesto (0,646). La validación se limitó a los cambios de mRNA en líneas celulares de ratón tratadas con D-galactosa, y *RB1* y *CREBBP* no cambiaron en las células de linaje óseo. No había información sobre conflictos de intereses disponible en el texto proporcionado.
¿Te ha gustado este resumen?
Recibe la última investigación sobre longevidad en tu bandeja de entrada cada semana.
Introduce tu correo electrónico para suscribirte: