Envíe este artículo por correo electrónico 
Autoencoders y datos sintéticos para la predicción de genes Hub en dolor periapical
Resumen
Introducción: El dolor periapical, comúnmente asociado con la periodontitis apical, surge de la inflamación e infección de los tejidos perirradiculares. Los genes hub son fundamentales para el desarrollo de fármacos y la medicina de precisión. Los autoencoders, como MLP-SAE y SMALF, ofrecen herramientas prometedoras para predecir genes hub, mejorar conjuntos de datos y generar modelos que preservan la privacidad. Objetivos: Este estudio evaluó la aplicación de autoencoders apilados y generación de datos sintéticos en la predicción de genes hub relacionados con el dolor periapical. Métodos: Se realizó un análisis de expresión génica diferencial utilizando el conjunto de datos GEO GSE237398, centrado en pacientes con dolor que respondían a estímulos mecánicos. Se analizaron los 250 genes diferencialmente expresados más relevantes y se construyó un interactoma mediante Cytoscape. Se empleó CytoHubba para identificar los 60 principales genes hub, destacando su importancia regulatoria. Estos genes se etiquetaron y utilizaron para entrenar modelos basados en autoencoders apilados y generación de datos sintéticos. Resultados: El modelo de autoencoder mostró una precisión moderada del 68%, clasificando correctamente el 68% de las muestras de prueba. Su rendimiento se reflejó en una precisión promedio ponderada de 0.74, un recall de 0.68 y un F1-score de 0.69. Destacó su buen desempeño en la clase de genes hub, pero dificultades en la clase no hub, probablemente por desbalance del dataset. En contraste, el modelo de generación de datos sintéticos mostró precisiones de 0.93–1.00 y recalls del 92%–100%, evidenciando alta precisión en la generación de datos sintéticos. Conclusiones: Este estudio resalta el potencial de los modelos basados en inteligencia artificial para predecir genes hub asociados al dolor periapical. Aunque de precisión moderada, el autoencoder sienta bases para mejoras futuras. El clasificador random forest, entrenado con datos originales y sintéticos, mostró alta precisión y confiabilidad.
Recibido: 31-07-2025
Acpetado: 20-09-2025
Palabras clave
Texto completo:
PDF (English)Referencias
de-Figueiredo FED, Lima LF, Lima GS, Oliveira LS, Ribeiro MA, Brito-Junior M, et al. Apical periodontitis healing and postoperative pain following endodontic treatment with a reciprocating single-file, single-cone approach: A randomized controlled pragmatic clinical trial. PLoS One. 2020;15(2):e0227347. doi: 10.1371/journal.pone.0227347
Khan AA, Diogenes A. Pharmacological Management of Acute Endodontic Pain. Drugs. 2021;81(14):1627–43. doi: 10.1007/s40265-021-01564-4
Khandelwal A, Jose J, Teja KV, Palanivelu A. Comparative evaluation of postoperative pain and periapical healing after root canal treatment using three different base endodontic sealers – A randomized control clinical trial. J Clin Exp Dent. 2022;14(2):e144-e152. doi:10.4317/jced.59034.
Cope AL, Francis N, Wood F, Chestnutt IG. Systemic antibiotics for symptomatic apical periodontitis and acute apical abscess in adults. Cochrane Database Syst Rev. 2018;9(9):CD010136. doi: 10.1002/14651858
Schwendicke F, Göstemeyer G. Single-visit or multiple-visit root canal treatment: systematic review, meta-analysis and trial sequential analysis. BMJ Open. 2017;7(2):e013115. doi: 10.1136/bmjopen-2016-013115.
García B, Larrazabal C, Peñarrocha M, Peñarrocha M. Pain and swelling in periapical surgery. A literature update. Med Oral Patol Oral Cir Bucal. 2008;13(11):E726-9.
Selvarajoo K, Maurer-Stroh S. Towards multi-omics synthetic data integration. Brief Bioinform. 2024;25(3):bbae213. doi: 10.1093/bib/bbae213
Zhang D, Zheng C, Zhu T, Yang F, Zhou Y. Identification of key module and hub genes in pulpitis using weighted gene co-expression network analysis. BMC Oral Health. 2023;23(1):2. doi: 10.1186/s12903-022-02638-9.
Estrela C, Guedes OA, Silva JA, Leles CR, Estrela CR de A, Pécora JD. Diagnostic and clinical factors associated with pulpal and periapical pain. Braz Dent J. 2011;22(4):306–11. doi: 10.1590/s0103-64402011000400008
Sivakumar D, Ramli R. GABAergic signalling in modulation of dental pain. Eur J Pharmacol. 2022;924:174958. doi: 10.1016/j.ejphar.2022.174958
Sacerdote P, Levrini L. Peripheral mechanisms of dental pain: the role of substance P. Mediators Inflamm. 2012;2012:951920. doi: 10.1155/2012/951920.
Xie R, Wen J, Quitadamo A, Cheng J, Shi X. A deep auto-encoder model for gene expression prediction. BMC Genomics. 2017;18(9):845. doi: 10.1186/s12864-017-4226-0
Jain N, Gupta A, N M. An insight into neurophysiology of pulpal pain: facts and hypotheses. Korean J Pain. 2013;26(4):347–55. doi: 10.3344/kjp.2013.26.4.347
Närhi MVO. Nociceptors in the Dental Pulp. In: Schmidt RF, Willis WD, editors. Encyclopedia of Pain. Berlin, Heidelberg: Springer Berlin Heidelberg; 2007. p. 1418–20.
Xin B, Lin Y, Tian H, Song J, Zhang L, Lv J. Identification of Pulpitis-Related Potential Biomarkers Using Bioinformatics Approach. Comput Math Methods Med. 2021;2021:1808361. doi: 10.1155/2021/1808361
Tian T, Min MR, Wei Z. Model-based autoencoders for imputing discrete single-cell RNA-seq data. Methods. 2021;192:112–9. doi: 10.1016/j.ymeth.2020.09.010.
Sheng N, Huang L, Wang Y, Zhao J, Xuan P, Gao L, et al. Multi-channel graph attention autoencoders for disease-related lncRNAs prediction. Brief Bioinform. 2022;23(2): :bbab604. doi: 10.1093/bib/bbab604
Madhumita, Paul S. Capturing the latent space of an Autoencoder for multi-omics integration and cancer subtyping. Comput Biol Med. 2022;148:105832. doi: 10.1016/j.compbiomed.2022
Liu D, Huang Y, Nie W, Zhang J, Deng L. SMALF: miRNA-disease associations prediction based on stacked autoencoder and XGBoost. BMC Bioinformatics. 2021;22(1):219. doi: 10.1186/s12859-021-04135-2.
Shi H, Wu C, Bai T, Chen J, Li Y, Wu H. Identify essential genes based on clustering based synthetic minority oversampling technique. Comput Biol Med. 2023;153:106523. doi: 10.1016/j.compbiomed.2022.106523
Fu X, Chen Y, Tian S. DlncRNALoc: A discrete wavelet transform-based model for predicting lncRNA subcellular localization. Math Biosci Eng. 2023;20(12):20648–67. doi: 10.3934/mbe.2023913
Barrett T, Wilhite SE, Ledoux P, Evangelista C, Kim IF, Tomashevsky M, et al. NCBI GEO: archive for functional genomics data sets--update. Nucleic Acids Res. 2013;41(Database issue):D991-5. doi: 10.1093/nar/gks1193
Edgar R, Domrachev M, Lash AE. Gene Expression Omnibus: NCBI gene expression and hybridization array data repository. Nucleic Acids Res. 2002;30(1):207–10. doi: 10.1093/nar/30.1.207
Shannon P, Markiel A, Ozier O, Baliga NS, Wang JT, Ramage D, et al. Cytoscape: a software environment for integrated models of biomolecular interaction networks. Genome Res. 2003;13(11):2498–504. doi: 10.1101/gr.1239303
Hashimoto-Roth E, Surendra A, Lavallée-Adam M, Bennett SAL, Cuperlovic-Culf M. METAbolomics data Balancing with Over-sampling Algorithms (META-BOA): an online resource for addressing class imbalance. Bioinformatics. 2022;38(23):5326–7. doi: 10.1093/bioinformatics/btac649
García B, Penarrocha M, Martí E, Gay-Escodad C, von Arx T. Pain and swelling after periapical surgery related to oral hygiene and smoking. Oral Surg Oral Med Oral Pathol Oral Radiol Endod. 2007;104(2):271–6.
Yadalam PK, Shenoy SB, Anegundi RV, Mosaddad SA, Heboyan A. Advanced machine learning for estimating vascular occlusion percentage in patients with ischemic heart disease and periodontitis. Int J Cardiol Cardiovasc Risk Prev. 2024;21:200291. doi: 10.1016/j.ijcrp.2024.200291
Ardila CM, Yadalam PK, Minervini G. The potential of machine learning applications in addressing antimicrobial resistance in periodontitis. J Periodontal Res. 2024;59(5):1042-1043. doi: 10.1111/jre.13282.
Ahmed KT, Sun J, Cheng S, Yong J, Zhang W. Multi-omics data integration by generative adversarial network. Bioinformatics. 2021;38(1):179–86. doi: 10.1093/bioinformatics/btab608
Gold MP, LeNail A, Fraenkel E. Shallow Sparsely-Connected Autoencoders for Gene Set Projection. Pac Symp Biocomput. 2019;24:374–85.
Hahn W, Schütte K, Schultz K, Wolkenhauer O, Sedlmayr M, Schuler U, et al. Contribution of Synthetic Data Generation towards an Improved Patient Stratification in Palliative Care. J Pers Med. 2022;12(8):1278. doi: 10.3390/jpm12081278.
Staheli JP, Neal ML, Navare A, Mast FD, Aitchison JD. Predicting host-based, synthetic lethal antiviral targets from omics data. bioRxiv [Preprint]. 2023 Aug 16:2023.08.15.553430. doi: 10.1101/2023.08.15.553430. Update in: NAR Mol Med. 2024 Jan 23;1(1):ugad001. doi: 10.1093/narmme/ugad001.
ISSN Electrónico: 3105-403XDOI: https://www.doi.org/10.53766/AcBio/Se encuentra actualmente indizada en: | |||
 |  |  |  |
  |  |  |  |
 |  |  |  |
 |  |  | |
Todos los documentos publicados en esta revista se distribuyen bajo una
Licencia Creative Commons Atribución -No Comercial- Compartir Igual 4.0 Internacional.
Por lo que el envío, procesamiento y publicación de artículos en la revista es totalmente gratuito.