Aprendizaje Contrastivo de Grafos con Autoencoders para la Reconstrucción de Agrupamientos en la Regeneración Periodontal con Células Madre Pluripotentes

Resumen

Introducción: Debido a que las células madre pluripotentes inducidas (iPSC) pueden diferenciarse en distintos linajes periodontales, tienen un gran potencial regenerativo. Objetivos: Presentar un marco de aprendizaje contrastivo de grafos (GCL) combinado con autoencoders para identificar agrupaciones biológicamente relevantes en datos de expresión génica de alta dimensionalidad provenientes de células derivadas de iPSC. Métodos: Los datos de expresión génica del conjunto GEO GSE283726 fueron preprocesados, filtrados y normalizados (log2(x+1)). Se utilizó la similitud del coseno para construir un grafo de vecinos más cercanos (k=10). Un autoencoder simétrico empleó el error cuadrático medio como función de pérdida para reconstruir las entradas originales después de comprimir las características en un espacio latente de 128 dimensiones. GraphSAGE y la pérdida InfoNCE mejoraron la concordancia entre vistas aumentadas con dropout de aristas (0,2) y enmascaramiento de características (10%). Resultados: La pérdida de reconstrucción se redujo a 0,0001 después de que el autoencoder convergiera en 20 épocas. El análisis de agrupamiento reveló dos poblaciones transcripcionalmente distintas, con un puntaje de silueta ideal de 0,694. El Cluster 1, que probablemente representa linajes fibroblásticos u osteogénicos, mostró alta expresión en todos los grupos experimentales. La baja expresión en el Cluster 0 sugirió estados progenitoros o quiescentes. El PCA validó la estructura intrínseca de los datos, con el PC1 explicando el 96,63% de la varianza. Conclusiones: El marco GCL-autoencoder propuesto ofrece un método escalable y no supervisado para identificar subtipos regenerativos útiles en terapia periodontal, al reconstruir exitosamente agrupaciones específicas de linaje en poblaciones celulares derivadas de iPSC.

Recibido: 1-8-2025
Aceptado: 15-9-2025