La IA y los problemas difíciles del mundo · Medicina y descubrimiento de fármacos · Nature (computational biology) · 2026-10-20
La integración de patrones de disulfidptosis y aprendizaje automático identifica una novedosa firma diagnóstica para la endometriosis
Título original: Integrating disulfidptosis patterns and machine learning identifies a novel diagnostic signature for endometriosis
La endometriosis es un trastorno ginecológico heterogéneo con mecanismos moleculares aún incompletamente comprendidos, y la disulfidptosis, una forma de muerte celular programada identificada recientemente, no había sido explorada sistemáticamente en esta enfermedad. Al analizar perfiles de expresión génica, los investigadores identificaron dos subtipos moleculares asociados a la disulfidptosis con características inmunes distintivas y compararon cuatro algoritmos de aprendizaje automático, siendo Extreme Gradient Boosting (XGB) el de mejor desempeño. Esto dio como resultado una firma de cinco genes compuesta por BTBD2, SLC4A2, SSC5D, LPPR2 y SRGAP2C, que fue respaldada por la validación en dos conjuntos de datos externos independientes y una validación parcial por RT-qPCR, ofreciendo una potencial herramienta diagnóstica y nuevas perspectivas sobre los mecanismos de la endometriosis.