Please use this identifier to cite or link to this item: http://hdl.handle.net/2445/165177
Title: Fibromyalgia through genetics: development of a microarray-based diagnostic algorithm
Author: Borrego Burón, José Manuel
Director/Tutor: Ciudad i Gómez, Carlos Julián
Keywords: Biologia molecular
Fibromiàlgia
Aprenentatge automàtic
Cribratge genètic
Treballs de fi de grau
Molecular biology
Fibromyalgia
Machine learning
Genetic screening
Bachelor's thesis
Issue Date: Mar-2020
Abstract: Fibromyalgia syndrome (FMS) is an incapacitating multifactorial disease characterised by widespread pain. Its pathophysiology is still unknown and its diagnosis traditionally difficult. New research on possible genetic and epigenetic factors has shed light into its possible pathways and better diagnostic methods. The goal of this study is to design and implement a diagnostic algorithm for microarray data regarding RNA and microRNA expression. To do so, on the one hand, we studied several classification methods and tested their adequacy and feasibility given the data and available computational power, and on the other hand, we analysed gene expression data in an interaction network and microRNA related pathways. The final algorithm used Support Vector Machine based Recursive Feature Elimination and holdout cross validation to assess the minimum probeset that provided the best accuracy. The results provided a set of 56 RNA probes with an accuracy of 95.72% and a set of 20 microRNA probes with 98.95%. Since it is based on a very limited dataset, the results are not meant to be conclusive but to serve as a steppingstone to future studies. The interaction network, as well as microRNA analysis provided useful insights into possible FMS-related neural system genesis and, specially, inflammatory pathways (through miR-145, miR-150 and miR-451 and TNF-α interactions). We advise future work on the subject to finally unveil fibromyalgia’s aetiology and provide accurate and useful diagnosis and treatment.
El síndrome de fibromialgia (FMS) es una enfermedad multifactorial incapacitante caracterizada por dolor generalizado. Su fisiopatología es aún desconocida y su diagnóstico tradicionalmente difícil. Nuevas investigaciones sobre posibles factores genéticos y epigenéticos han arrojado luz sobre posibles vías y sobre mejores métodos de diagnóstico. El objetivo de este estudio es diseñar e implementar un algoritmo de diagnóstico aplicado en datos de microarray de expresión de ARN y microARN. Para hacerlo estudiamos varios métodos de clasificación y probamos su adecuación y viabilidad dados los datos y la potencia computacional disponible. También analizamos los datos de expresión génica en una red de interacción y vías relacionadas con microARN. El algoritmo final usó Eliminación Recursiva de Atributos basada en Máquinas de Soporte Vectorial y validación cruzada aleatoria para evaluar el mínimo conjunto de sondas que proporcionara la mejor precisión. Obtuvimos un conjunto de 56 sondas de ARN con una precisión del 95,72% y otro de 20 sondas de microARN con el 98,95%. Dado que se basa en un conjunto de datos muy limitado, los resultados no pretenden ser concluyentes, sino que sirven como paso para futuros estudios. La red de interacción, así como el análisis de microARN proporcionaron información útil sobre posibles vías relacionadas con FMS: la génesis del sistema neural y, especialmente, vías inflamatorias (a través de las interacciones miR-145, miR-150 y miR-451 y TNF-α). Sugerimos la necesidad de más estudios sobre el tema para finalmente revelar la etiología de la fibromialgia y proporcionar un diagnóstico y tratamientos precisos y efectivos.
Note: Treballs Finals de Grau de Farmàcia, Facultat de Farmàcia i Ciències de l'Alimentació, Universitat de Barcelona, 2020. Tutor: Carlos Julián Ciudad i Gómez
URI: http://hdl.handle.net/2445/165177
Appears in Collections:Treballs Finals de Grau (TFG) - Farmàcia

Files in This Item:
File Description SizeFormat 
Borrego_Burón_TFG_CC.pdf1.58 MBAdobe PDFView/Open


This item is licensed under a Creative Commons License Creative Commons