El treball inclou un seguit d’estudis que abasten 483 mostres de fetge i 169 de sèrum i plasma
Un estudi aborda la recerca de nous marcadors biològics no invasius per a la detecció i seguiment de l’afectació coneguda com a fetge gras en la fase avançada, que s’anomena MASH (Metabolic dysfunction-associated steatohepatitis). Es tracta d’una de les formes preocupants de la malaltia hepàtica associada a la disfunció metabòlica. L’estudi, que du per títol Uncovering hepatic transcriptomic and circulating proteomic signatures in MASH: A meta-analysis and machine learning-based biomarker Discovery, ha estat impulsat pel Grup d’Estudi en Malalties Metabòliques Associades a la Insulin-Resistència (GEMMAIR), liderat per la Universitat Rovira i Virgili (URV), amb la participació de l’Institut d’Investigació Sanitària Pere Virgili (IISPV), i per la cap del Servei de Medicina Interna de l’Hospital Universitari Joan XXIII i professora titular de la URV,Teresa Auguet. El projecte, publicat recentment a la revista Computers in Biology and Medicine, representa un pas endavant per a la medicina de precisió aplicada a les malalties hepàtiques metabòliques, perquè a través d’una anàlisi de dades específiques del fetge i de mostres circulants s’han trobat trets identificatius que poden distingir un pacient amb MASH, que en un estadi sever pot arribar a traduir-se en problemes més greus, com ara cirrosi hepàtica. A més, els estudis en mostres de fetge poden ajudar a trobar dianes terapèutiques.
Val a dir, que el fetge gras poden patir-lo pacients sense ser-ne conscients, ja que els símptomes en una fase primerenca són menors o inexistents. Per aquesta raó, des del grup d’investigació fan valer amb l’estudi la importància d’una detecció millorada.
Quant al mètode emprat a l’estudi, es va revisar de forma sistemàtica un seguit de dades i van recuperar-se set estudis, els quals abastaven 483 mostres de fetge i 169 mostres de sèrum i plasma, respectivament. A més, el desenvolupament del projecte va gestionar-se a través d’un model d’aprenentatge automàtic (Machine Learning), el qual permet identificar marcadors biològics específics de la malaltia, tot utilitzant ràtios de proteïnes biològicament significatives.
Eina potencial per al diagnòstic
Aquest model de Machine Learning ha esdevingut una eina potencial per al diagnòstic de la malaltia en fase de MASH. Cal una major refinació i validació, però, amb mostres més àmplies per tal de generalitzar aquests resultats. Aquest enfocament pot tenir un gran impacte en l’abordatge clínic de la MASH, tot beneficiant una estratificació més acurada del total de pacients atesos, evitant biòpsies hepàtiques. Fins i tot, facilitant un abordatge amb tractament personalitzat, ja que l’estudi en les mostres hepàtiques pot ajudar a evidenciar possibles dianes terapèutiques. Amb el projecte, el grup de recerca també, vol obrir camp a altres investigacions que se’n puguin derivar, amb dades més extenses.
