El trabajo incluye una serie de estudios que abarcan 483 muestras de hígado y 169 de suero y plasma.
Un estudio aborda la investigación de nuevos marcadores biológicos no invasivos para la detección y seguimiento de la afección conocida como hígado graso en fase avanzada, denominada MASH (esteatohepatitis asociada a disfunción metabólica). Se trata de una de las formas preocupantes de la enfermedad hepática asociada a la disfunción metabólica. El estudio, titulado Uncovering hepatic transcriptomic and circulating proteomic signatures in MASH: A meta-analysis and machine learning-based biomarker discovery, ha sido impulsado por el Grupo de Estudio en Enfermedades Metabólicas Asociadas a la Resistencia a la Insulina (GEMMAIR), liderado por la Universitat Rovira i Virgili (URV), con la participación del Instituto de Investigación Sanitaria Pere Virgili (IISPV), y por la jefa del Servicio de Medicina Interna del Hospital Universitario Joan XXIII y profesora titular de la URV, Teresa Auguet. El proyecto, publicado recientemente en la revista Computers in Biology and Medicine, representa un avance para la medicina de precisión aplicada a las enfermedades hepáticas metabólicas, ya que, mediante el análisis de datos específicos del hígado y de muestras circulantes, se han identificado rasgos distintivos que permiten diferenciar a un paciente con MASH, que en un estadio grave puede derivar en problemas más serios, como la cirrosis hepática. Además, los estudios en muestras hepáticas pueden ayudar a identificar posibles dianas terapéuticas.
Cabe destacar que el hígado graso puede afectar a pacientes sin que estos sean conscientes, ya que los síntomas en fases tempranas son leves o inexistentes. Por esta razón, desde el grupo de investigación destacan con este estudio la importancia de una mejor detección.
En cuanto al método empleado en el estudio, se realizó una revisión sistemática de una serie de datos y se recuperaron siete estudios, los cuales abarcaban 483 muestras de hígado y 169 muestras de suero y plasma, respectivamente. Además, el desarrollo del proyecto se gestionó a través de un modelo de aprendizaje automático (Machine Learning), que permite identificar marcadores biológicos específicos de la enfermedad, utilizando ratios de proteínas biológicamente significativas.
Una herramienta potencial para el diagnóstico
Este modelo de Machine Learning se ha convertido en una herramienta potencial para el diagnóstico de la enfermedad en fase de MASH. No obstante, es necesaria una mayor refinación y validación con muestras más amplias para poder generalizar estos resultados. Este enfoque puede tener un gran impacto en el abordaje clínico de la MASH, beneficiando una estratificación más precisa del conjunto de pacientes atendidos, evitando biopsias hepáticas. Incluso puede facilitar un abordaje con tratamiento personalizado, ya que el estudio de las muestras hepáticas puede ayudar a identificar posibles dianas terapéuticas. Con este proyecto, el grupo de investigación también pretende abrir camino a otras investigaciones derivadas, con datos más extensos.
