Tipus de document

Treball de fi de grau

Data de publicació

Llicència de publicació

memòria: cc by-nc-nd (c) Garcia Rovira, Èlia, 2026
Si us plau utilitzeu sempre aquest identificador per citar o enllaçar aquest document: https://hdl.handle.net/2445/232071

Predicció de conflictes entre laboratoris i significança clínica de variants genètiques amb aprenentatge automàtic

Títol de la revista

Contribució addicional

ISSN de la revista

Títol del volum

Resum

[cat] Aquest treball de fi de grau presenta una anàlisi comparativa de mètodes d’aprenentatge automàtic per a la classificació clínica de variants genètiques a ClinVar. S’han implementat i avaluat diversos models de classificació en dos problemes complementaris: la predicció binària de classificacions conflictives entre laboratoris i la predicció multiclasse de la significança clínica (benigna, VUS i patogènica). Cada model s’ha entrenat sobre dues configuracions del conjunt de dades, amb i sense anotacions funcionals VEP, amb l’objectiu d’avaluar-ne l’impacte. Els resultats mostren que el model Random Forest obté el millor rendiment en ambdues tasques, amb un ROC AUC de 0,827 en la classificació binària i un F1-score macro de 0,900 en la multiclasse. L’anàlisi d’interpretabilitat mitjançant valors SHAP identifica les freqüències al·lèliques i l’impacte molecular (IMPACT) com els predictors més rellevants. La comparació entre configuracions revela que les anotacions VEP aporten una millora modesta en la tasca binària, però significativa en la multiclasse, sobretot en el model MLP, mentre que els models basats en arbres es mantenen estables davant la reducció de variables. Els resultats confirmen el valor de combinar models predictius amb tècniques d’interpretabilitat per donar suport a la classificació clínica de variants, alhora que mostren que és més difícil predir el desacord entre laboratoris que la significança clínica. [eng] This thesis presents a comparative analysis of machine learning methods for the clinical classification of genetic variants in ClinVar. Several classification models were implemented and evaluated on two complementary tasks: the binary prediction of conflicting classifications between laboratories and the multiclass prediction of clinical significance (benign, VUS, and pathogenic). Each model was trained on two dataset configurations, with and without VEP functional annotations, in order to assess their impact. The results show that the Random Forest model achieves the best performance in both tasks, with a ROC AUC of 0.827 in the binary classification and a macro F1-score of 0.900 in the multiclass setting. Interpretability analysis using SHAP values identifies allele frequencies and molecular impact (IMPACT) as the most relevant predictors. The comparison between configurations reveals that VEP annotations provide a modest improvement in the binary task, but a significant one in the multiclass setting, particularly for the MLP model, while tree-based models remain robust to feature reduction. Overall, the results confirm the value of combining predictive models with interpretability techniques to support the clinical classification of variants, while also showing that predicting disagreements between laboratories is more challenging than predicting clinical significance. [spa] Este trabajo de fin de grado presenta un análisis comparativo de métodos de aprendizaje automático para la clasificación clínica de variantes genéticas en ClinVar. Se implementaron y evaluaron diversos modelos de clasificación en dos problemas complementarios: la predicción binaria de clasificaciones conflictivas entre laboratorios y la predicción multiclase de la significancia clínica (benigna, VUS y patogénica). Cada modelo se entrenó sobre dos configuraciones del conjunto de datos, con y sin anotaciones funcionales VEP, con el objetivo de evaluar su impacto. Los resultados muestran que el modelo Random Forest obtiene el mejor rendimiento en ambas tareas, con un ROC AUC de 0,827 en la clasificación binaria y un F1-score macro de 0,900 en la multiclase. El análisis de interpretabilidad mediante valores SHAP identifica las frecuencias alélicas y el impacto molecular (IMPACT) como los predictores más relevantes. La comparación entre configuraciones revela que las anotaciones VEP aportan una mejora modesta en la tarea binaria, pero significativa en la multiclase, especialmente en el modelo MLP, mientras que los modelos basados en árboles se mantienen robustos ante la reducción de variables. En conjunto, los resultados confirman el valor de combinar modelos predictivos con técnicas de interpretabilidad para apoyar la clasificación clínica de variantes, al tiempo que muestran que predecir el desacuerdo entre laboratorios es más difícil que predecir la significancia clínica.

Descripció

Treballs Finals de Grau d'Enginyeria Informàtica, Facultat de Matemàtiques, Universitat de Barcelona, Any: 2026, Director: Daniel Ortiz Martínez

Recurs relacionat

Citació

Citació

GARCIA ROVIRA, Èlia. Predicció de conflictes entre laboratoris i significança clínica de variants genètiques amb aprenentatge automàtic. [consulted: 19 of November of 2026]. Available at: https://hdl.handle.net/2445/232071

Exportar metadades

JSON - METS

Compartir registre