Pipeline integrativo de machine learning predictivo y genómica funcional para la caracterización de firmas moleculares en enfermedades complejas

Autores
Gómez López, Rodrigo; Cecchini, Rocío L.; Soto, Axel J.; Ponzoni, Ignacio
Año de publicación
2026
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
La caracterización funcional e identificación de firmas diagnósticas en enfermedades complejas y crónicas enfrenta importantes desafíos, relacionados tanto con la dimensionalidad y variabilidad intrínseca de los datos genómicos como con la limitada generalización de los hallazgos entre estudios. En este contexto, esta línea de investigación propone el desarrollo de un marco metodológico para la identificación y caracterización de firmas génicas robustas asociadas a enfermedades complejas. Como primera instancia de aplicación, se abordó la detección y caracterización de firmas moleculares en fibromialgia, una enfermedad crónica donde estas problemáticas se manifiestan notoriamente. Para este fin, se exploró la implementación preliminar de una estrategia predictiva multimodelo (SVM, Elastic-Net, XGBoost, Random Forest) entrenada bajo un esquema de optimización bayesiana y replicación estadística, junto con metodologías de prefiltrado de datos y acompañada finalmente de análisis funcionales y regulatorios para su contextualización biológica. El principal aporte de esta propuesta consiste en el desarrollo de un marco de consenso basado en explicabilidad (SHAP), que agrega los resultados del entrenamiento para filtrar así marcadores consistentes y mitigar sesgos algorítmicos y de pre-filtrado, el cual, acoplado a análisis biológicos post-hoc, busca contribuir al consenso de hipótesis y afianzar bases exploratorias para futuras aplicaciones en diversas enfermedades complejas.
Red de Universidades con Carreras en Informática
Materia
Ciencias Informáticas
Aprendizaje automático
Explicabilidad
Bioinformática
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/4.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/195879
Acceder
id SEDICI_f7bb5efa58686bd8943c4ed3f78ad466
oai_identifier_str oai:sedici.unlp.edu.ar:10915/195879
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Pipeline integrativo de machine learning predictivo y genómica funcional para la caracterización de firmas moleculares en enfermedades complejasGómez López, RodrigoCecchini, Rocío L.Soto, Axel J.Ponzoni, IgnacioCiencias InformáticasAprendizaje automáticoExplicabilidadBioinformáticaLa caracterización funcional e identificación de firmas diagnósticas en enfermedades complejas y crónicas enfrenta importantes desafíos, relacionados tanto con la dimensionalidad y variabilidad intrínseca de los datos genómicos como con la limitada generalización de los hallazgos entre estudios. En este contexto, esta línea de investigación propone el desarrollo de un marco metodológico para la identificación y caracterización de firmas génicas robustas asociadas a enfermedades complejas. Como primera instancia de aplicación, se abordó la detección y caracterización de firmas moleculares en fibromialgia, una enfermedad crónica donde estas problemáticas se manifiestan notoriamente. Para este fin, se exploró la implementación preliminar de una estrategia predictiva multimodelo (SVM, Elastic-Net, XGBoost, Random Forest) entrenada bajo un esquema de optimización bayesiana y replicación estadística, junto con metodologías de prefiltrado de datos y acompañada finalmente de análisis funcionales y regulatorios para su contextualización biológica. El principal aporte de esta propuesta consiste en el desarrollo de un marco de consenso basado en explicabilidad (SHAP), que agrega los resultados del entrenamiento para filtrar así marcadores consistentes y mitigar sesgos algorítmicos y de pre-filtrado, el cual, acoplado a análisis biológicos post-hoc, busca contribuir al consenso de hipótesis y afianzar bases exploratorias para futuras aplicaciones en diversas enfermedades complejas.Red de Universidades con Carreras en Informática2026-04info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf305-309http://sedici.unlp.edu.ar/handle/10915/195879spainfo:eu-repo/semantics/altIdentifier/isbn/978-631-6904-02-7info:eu-repo/semantics/reference/hdl/10915/195432info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2026-06-23T11:17:07Zoai:sedici.unlp.edu.ar:10915/195879Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292026-06-23 11:17:07.866SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Pipeline integrativo de machine learning predictivo y genómica funcional para la caracterización de firmas moleculares en enfermedades complejas
title Pipeline integrativo de machine learning predictivo y genómica funcional para la caracterización de firmas moleculares en enfermedades complejas
spellingShingle Pipeline integrativo de machine learning predictivo y genómica funcional para la caracterización de firmas moleculares en enfermedades complejas
Gómez López, Rodrigo
Ciencias Informáticas
Aprendizaje automático
Explicabilidad
Bioinformática
title_short Pipeline integrativo de machine learning predictivo y genómica funcional para la caracterización de firmas moleculares en enfermedades complejas
title_full Pipeline integrativo de machine learning predictivo y genómica funcional para la caracterización de firmas moleculares en enfermedades complejas
title_fullStr Pipeline integrativo de machine learning predictivo y genómica funcional para la caracterización de firmas moleculares en enfermedades complejas
title_full_unstemmed Pipeline integrativo de machine learning predictivo y genómica funcional para la caracterización de firmas moleculares en enfermedades complejas
title_sort Pipeline integrativo de machine learning predictivo y genómica funcional para la caracterización de firmas moleculares en enfermedades complejas
dc.creator.none.fl_str_mv Gómez López, Rodrigo
Cecchini, Rocío L.
Soto, Axel J.
Ponzoni, Ignacio
author Gómez López, Rodrigo
author_facet Gómez López, Rodrigo
Cecchini, Rocío L.
Soto, Axel J.
Ponzoni, Ignacio
author_role author
author2 Cecchini, Rocío L.
Soto, Axel J.
Ponzoni, Ignacio
author2_role author
author
author
dc.subject.none.fl_str_mv Ciencias Informáticas
Aprendizaje automático
Explicabilidad
Bioinformática
topic Ciencias Informáticas
Aprendizaje automático
Explicabilidad
Bioinformática
dc.description.none.fl_txt_mv La caracterización funcional e identificación de firmas diagnósticas en enfermedades complejas y crónicas enfrenta importantes desafíos, relacionados tanto con la dimensionalidad y variabilidad intrínseca de los datos genómicos como con la limitada generalización de los hallazgos entre estudios. En este contexto, esta línea de investigación propone el desarrollo de un marco metodológico para la identificación y caracterización de firmas génicas robustas asociadas a enfermedades complejas. Como primera instancia de aplicación, se abordó la detección y caracterización de firmas moleculares en fibromialgia, una enfermedad crónica donde estas problemáticas se manifiestan notoriamente. Para este fin, se exploró la implementación preliminar de una estrategia predictiva multimodelo (SVM, Elastic-Net, XGBoost, Random Forest) entrenada bajo un esquema de optimización bayesiana y replicación estadística, junto con metodologías de prefiltrado de datos y acompañada finalmente de análisis funcionales y regulatorios para su contextualización biológica. El principal aporte de esta propuesta consiste en el desarrollo de un marco de consenso basado en explicabilidad (SHAP), que agrega los resultados del entrenamiento para filtrar así marcadores consistentes y mitigar sesgos algorítmicos y de pre-filtrado, el cual, acoplado a análisis biológicos post-hoc, busca contribuir al consenso de hipótesis y afianzar bases exploratorias para futuras aplicaciones en diversas enfermedades complejas.
Red de Universidades con Carreras en Informática
description La caracterización funcional e identificación de firmas diagnósticas en enfermedades complejas y crónicas enfrenta importantes desafíos, relacionados tanto con la dimensionalidad y variabilidad intrínseca de los datos genómicos como con la limitada generalización de los hallazgos entre estudios. En este contexto, esta línea de investigación propone el desarrollo de un marco metodológico para la identificación y caracterización de firmas génicas robustas asociadas a enfermedades complejas. Como primera instancia de aplicación, se abordó la detección y caracterización de firmas moleculares en fibromialgia, una enfermedad crónica donde estas problemáticas se manifiestan notoriamente. Para este fin, se exploró la implementación preliminar de una estrategia predictiva multimodelo (SVM, Elastic-Net, XGBoost, Random Forest) entrenada bajo un esquema de optimización bayesiana y replicación estadística, junto con metodologías de prefiltrado de datos y acompañada finalmente de análisis funcionales y regulatorios para su contextualización biológica. El principal aporte de esta propuesta consiste en el desarrollo de un marco de consenso basado en explicabilidad (SHAP), que agrega los resultados del entrenamiento para filtrar así marcadores consistentes y mitigar sesgos algorítmicos y de pre-filtrado, el cual, acoplado a análisis biológicos post-hoc, busca contribuir al consenso de hipótesis y afianzar bases exploratorias para futuras aplicaciones en diversas enfermedades complejas.
publishDate 2026
dc.date.none.fl_str_mv 2026-04
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
Objeto de conferencia
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/195879
url http://sedici.unlp.edu.ar/handle/10915/195879
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/isbn/978-631-6904-02-7
info:eu-repo/semantics/reference/hdl/10915/195432
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
dc.format.none.fl_str_mv application/pdf
305-309
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1868982612218871808
score 13.265058

Publicaciones similares