Descripció del projecte
Molts trastorns mentals estan significativament relacionats amb l’augment de pes corporal i les complicacions metabòliques. Aquest increment de pes comporta un augment de comorbiditats que afecta de manera significativa la vida dels pacients, arribant fins i tot a reduir-ne l’esperança de vida. No obstant això, la relació entre aquests dos factors no és uniforme. Mentre que alguns pacients experimenten un augment substancial de pes, altres mantenen el seu pes estable o fins i tot el redueixen. Aquest fenomen s’atribueix a una combinació de factors genètics, metabòlics, ambientals i farmacològics, incloent-hi l’ús de psicotròpics com els antipsicòtics i alguns antidepressius, que s’han associat amb un major risc de dislipèmia, resistència a la insulina i obesitat. No obstant això, no tots els pacients responen de la mateixa manera, cosa que suggereix l’existència de mecanismes biològics diferencials que modulen aquesta variabilitat metabòlica.
Aquesta variabilitat interindividual en la resposta metabòlica justifica la necessitat de desenvolupar una estratègia de predicció integrada, combinant dades genètiques, metabolòmiques, clíniques i ambientals per identificar biomarcadors associats a l’augment de pes i comprendre millor els mecanismes subjacents. Tanmateix, els models actuals es basen principalment en factors clínics i farmacològics i no tenen en compte la integració multiòmica.
Aquest projecte té com a objectiu principal desenvolupar un model predictiu multiòmic que combini dades genòmiques, metabolòmiques i clíniques per estratificar el risc d’augment de pes en pacients amb primers episodis psicòtics (PEP). Aquest model permetrà la identificació precoç de pacients en risc, facilitant intervencions personalitzades i reduint les complicacions metabòliques associades a l’ús d’antipsicòtics.
Per assolir aquest objectiu general, s’han definit els següents objectius específics:
– Caracteritzar els perfils metabolòmics associats a l’augment de pes en PEP mitjançant l’adquisició i anàlisi de dades metabolòmiques per 1H-RMN. (Fites 1 i 2)
– Desenvolupar Polygenic Risk Scores (PRS) a partir de dades genòmiques i avaluar-ne la capacitat predictiva en la identificació del risc d’augment de pes. (Fita 3)
– Integrar dades multiòmiques (genòmiques, metabolòmiques i clíniques) mitjançant intel·ligència artificial, aplicant models avançats d’aprenentatge automàtic per identificar patrons predictius. (Fita 4)
– Desenvolupar i validar un model predictiu de risc de guany de pes, optimitzant-lo en cohorts independents i comparant-lo amb enfocaments tradicionals. (Fites 5 i 6)
– Implementar una eina bioinformàtica interactiva per a la seva aplicació en entorns clínics, que permeti la monitorització en temps real i la personalització del tractament. (Fita 7)
– Redactar i defensar la tesi doctoral, assegurant la disseminació científica dels resultats mitjançant publicacions d’alt impacte. (Fita 8)
– Transferir els resultats al sector industrial, explorant-ne l’aplicació en programari predictiu clínic i potencials kits diagnòstics per a la seva comercialització. (Fita 9)
La metodologia es basa en la caracterització d’una cohort de 250 pacients amb primers episodis psicòtics (PEP) prèviament reclutats pel grup de la Universitat a l’Hospital Universitari Institut Pere Mata (HU-IPM), juntament amb controls sans aparellats per edat, sexe i origen ètnic.
S’analitzaran mostres de plasma dels pacients mitjançant Ressonància Magnètica Nuclear (1H-RMN, 600 MHz). Es faran servir seqüències CPMG per a metabolits petits, LED per a glicoproteïnes i DSTE per a perfils lipídics. Es quantificaran 76 metabolits, incloent-hi lipoproteïnes, glicoproteïnes, metabolits de baix pes molecular i famílies lipídiques.
Es construiran PRS associats a diversos fenotips i complicacions metabòliques per predir l’augment de pes.
Les dades genòmiques, metabolòmiques i clíniques s’integraran mitjançant machine learning. S’implementarà un algoritme basat en machine learning per a l’estratificació del risc de guany de pes i finalment es desenvoluparà un programari interactiu per a ús clínic.
