@misc{10481/70696,
year = {2021},
url = {http://hdl.handle.net/10481/70696},
abstract = {Childhood obesity can develop early in life leading to the appearance of metabolic
alterations such as insulin resistance (IR). If maintained during adulthood, obesity and IR usually
derive into the development of more serious conditions like Type II Diabetes and cardiovascular
disease, which considerably increase morbidity and mortality in affected populations. As many
other complex disorders, obesity and its associated cardiometabolic comorbidities constitute a
complex phenotype arising from the interaction between an at-risk molecular profile (involving
genomics, transcriptomics, epigenomics and proteomics disturbances) and environmental
exposures. On this sense, one of the most promising fields of research in obesity has involved the
identification of early-life predictive molecular biomarkers able to stratify patients according to
their risk for developing cardiometabolic complications later in life. Interestingly, the ideal and most
robust biomarker discovery approach would involve the simultaneous analysis of multiple omics
data layers at a once, allowing tracking a molecular disturbance from all its possible dimensions.
Due to the complexity of omics data, nevertheless, new and innovative analytics approaches
have been demanded. In the middle of this need, bioinformatics and artificial intelligence (AI)
have experienced a remarkable boost due to their ability to automatically obtain descriptive or
predictive models from massive amounts of data (Big Data). The present Doctoral Thesis gathers
a series of research works in which bioinformatics and AI are conveniently applied to several
obesity observational omics research projects for identifying new molecular biomarkers of IR and
metabolic alterations in children and adolescents with obesity. Study populations are composed
of more than 2000 Spanish children with ages ranging from 2-18 years. In summary, the results
presented in the present Doctoral Thesis indicate that; 1) obesity is a complex disorder resulting
from the interaction between genetic and environmental factors, 2) the creation of predictive
tools based on the combination of small-risk effects genetic variants is an interesting but simple
strategy for predicting future obesity, 3) multi-omics research approaches in obesity are necessary
to understand the complex molecular mechanisms underlying disease, and 4) the application of
eXplainable Artificial Intelligence (XAI) machine learning (ML) models can help us to unravel the
complex relationships between omics molecular elements. The application of multi-omics research
approaches and the use of complex analytical tools (such as bioinformatics and AI) are the correct
way for approaching a true implementation of a personalized care in obesity. Further studies like
those presented in the present Doctoral Thesis and as well as larger cohorts projects should be
encouraged in order to validate presented findings. This will require a close collaboration between
clinicians and basic researchers, and the creation of multidisciplinary teams, in which the presence
of mixed bioinformatics profiles will be of great importance.},
abstract = {La obesidad infantil puede desarrollarse en etapas tempranas de la vida y dar lugar a la
aparición de alteraciones metabólicas como la resistencia a la insulina (RI). Si se mantienen
durante la edad adulta, la obesidad y la RI suelen derivar en el desarrollo de afecciones más graves
como la diabetes tipo II y las enfermedades cardiovasculares, que aumentan considerablemente la
morbilidad y la mortalidad en las poblaciones afectadas. Como muchos otros trastornos complejos,
la obesidad y sus comorbilidades cardiometabólicas constituyen un fenotipo complejo que
surge de la interacción entre un perfil molecular de riesgo (que implica alteraciones genómicas,
transcriptómicas, epigenómicas y proteómicas) y las exposiciones ambientales. En este sentido,
uno de los campos de investigación más prometedores en materia de obesidad ha consistido en
la identificación de biomarcadores moleculares predictivos durante las etapas tempranas de la
vida, capaces de estratificar a los pacientes en función de su riesgo de desarrollar complicaciones
cardiometabólicas en la edad adulta. Uno de los enfoques más interesantes y robustos para el
descubrimiento de biomarcadores implicaría el análisis simultáneo de múltiples capas de datos
ómicos a la vez, permitiendo el estudio de una alteración molecular desde todas sus posibles
dimensiones. Sin embargo, debido a la complejidad de los datos ómicos, se requieren enfoques
analíticos innovadores. En medio de esta necesidad, la bioinformática y la inteligencia artificial (IA)
han experimentado un notable impulso debido a su capacidad para obtener automáticamente
modelos descriptivos o predictivos a partir de cantidades masivas de datos (Big Data). La presente
Tesis Doctoral recoge una serie de trabajos de investigación en los que la bioinformática y la IA
se aplican convenientemente a varios estudios ómicos de obesidad para identificar nuevos
biomarcadores moleculares de RI y alteraciones metabólicas en niños y adolescentes con obesidad.
Las poblaciones de estudio de la presente tesis doctoral están compuestas por más de 2000
niños españoles con edades comprendidas entre los 2 y los 18 años. En resumen, los resultados
recogidos en la presente Tesis Doctoral indican que 1) la obesidad es un trastorno complejo
resultante de la interacción entre factores genéticos y ambientales, 2) la creación de herramientas
predictivas basadas en la combinación de polimorfismos genéticos es una estrategia interesante
pero sencilla para predecir el desarrollo de obesidad, 3) los enfoques de investigación multiómicos
en obesidad son necesarios para comprender los complejos mecanismos moleculares
subyacentes a la enfermedad, y 4) la aplicación de modelos de aprendizaje automático de
Inteligencia Artificial eXplicable (XAI) puede ayudarnos a desentrañar las complejas relaciones
existentes entre los elementos moleculares ómicos. La aplicación de enfoques de investigación
multi-ómica y el uso de herramientas analíticas complejas (como la bioinformática y la IA) son el camino correcto hacia una verdadera implementación de una medicina personalizada en la
obesidad. En el futuro, deben fomentarse más estudios como los recogidos en la presente Tesis
Doctoral, así como proyectos de reclutamiento de cohortes más grandes para validar los hallazgos
presentados. Esto requerirá una estrecha colaboración entre clínicos e investigadores básicos, y la
creación de equipos multidisciplinares, en los que la presencia de perfiles bioinformáticos mixtos
será de gran importancia.},
organization = {Tesis Univ. Granada.},
organization = {Institute of Health Carlos III IFI17/00048},
organization = {Institute of Health Carlos III - Health Research Fund (ERDF FUNDS) - Projects numbers PI05/1968, PI11/01425, PI11/02042, PI11/02059, PI16/01301, PI16/01205, PI16/00871 and PI20/00711},
organization = {RETIC (Red SAMID RD12/0026/0015)},
organization = {Mapfre Foundation},
organization = {ERDF/Regional Government of Andalusia/Ministry of Economic Transformation, Industry, Knowledge and Universities (grant number P18-RT-2248)},
organization = {University of Granada, Plan Propio de Investigación 2016, Excellence actions: Units of Excellence; Unit of Excellence on Exercise and Health (UCEES)},
publisher = {Universidad de Granada},
keywords = {Adolescent},
keywords = {Child},
keywords = {DNA methylation},
keywords = {Epigenetics},
keywords = {Epigenome-Wide Association Study},
keywords = {EWAS},
keywords = {Gene expression},
keywords = {Genetics},
keywords = {Genome-wide association study (GWAS)},
keywords = {Insulin resistance},
keywords = {Multi-omics},
keywords = {Pediatric obesity},
keywords = {Puberty},
keywords = {RNAseq},
keywords = {Adolescencia},
keywords = {Epigenética},
keywords = {Estudio de Asociación del Epigenoma completo, EWAS},
keywords = {Estudio de Asociación del Genoma Completo, GWAS},
keywords = {Expresión génica},
keywords = {Genética},
keywords = {Infancia},
keywords = {Metilación del ADN},
keywords = {Multi-ómicas},
keywords = {Obesidad pediátrica},
keywords = {Pubertad},
keywords = {Resistencia a la insulina},
title = {Multi-Omics integration and machine learning for the identification of molecular markers of insulin resistance in prepubertal and pubertal children with obesity},
author = {Anguita Ruiz, Augusto Miguel},
}