El trabajo, impulsado por el laboratorio GEMMAIR y liderado por la URV, incluye una serie de estudios que abarcan 483 muestras de hígado y 169 de suero y plasma
Un estudio aborda la búsqueda de nuevos marcadores biológicos no invasivos para la detección y seguimiento de la afectación conocida como hígado graso en la fase avanzada, que se llama MASH ( Metabolic dysfunction-associated steatohepatitis ). Se trata de una de las formas preocupantes de la enfermedad hepática asociada a la disfunción metabólica.
El estudio, que lleva por título ' Uncovering hepático transcriptomico and circulating proteomic firmas in MASH: En meta-analysis y machine learning-based biomarker Discovery' , ha sido impulsado por el Grupo de Estudio en Enfermedades Metabólicas Asociadas a la Insulin-Resistencia (GEMMAIR ) , liderado 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 paso adelante para la medicina de precisión aplicada a las enfermedades hepáticas metabólicas, porque a través de un análisis de datos específicos del hígado y de muestras circulantes se han encontrado rasgos identificativos que pueden distinguir a un paciente con MASH , que en un estadio severo puede llegar a traducir hepática. Además, los estudios en muestras de hígado pueden ayudar a encontrar dianas terapéuticas.
Cabe decir que el hígado graso pueden sufrirlo pacientes sin ser conscientes de ello, ya que los síntomas en una fase temprana son menores o inexistentes . Por ello, desde el grupo de investigación hacen valer con el estudio la importancia de una detección mejorada.
En cuanto al método empleado en el estudio, se revisó de forma sistemática 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
Con el proyecto, el grupo de investigación también quiere abrir campo a otras investigaciones que se puedan derivar, con datos más extensos.
