Análisis y correlación de señales cerebrales y datos genéticos para la caracterización de la enfermedad de Alzheimer
DOI:
https://doi.org/10.64041/riidg.v2i1.7Palabras clave:
Alzheimer, Señales cerebrales, Datos genéticos, Caracterización diagnóstica, Biomarcadores multimodalesResumen
La enfermedad de Alzheimer (EA) es una patología neurodegenerativa progresiva que afecta principalmente a personas mayores, caracterizada por el deterioro cognitivo, pérdida de memoria y alteraciones funcionales a nivel cerebral. Debido a su naturaleza compleja y multifactorial, los métodos tradicionales de diagnóstico han demostrado ser limitados para una detección temprana y precisa. En este contexto, la integración de señales cerebrales y datos genéticos se presenta como una alternativa innovadora y poderosa para la caracterización más profunda de la enfermedad.
Por un lado, las señales cerebrales, especialmente las obtenidas mediante electroencefalografía (EEG), resonancia magnética funcional (fMRI) y tomografía por emisión de positrones (PET), permiten observar patrones de actividad neuronal alterada, niveles de conectividad funcional y zonas de atrofia cerebral asociadas con la progresión de la EA. Estas técnicas no invasivas proporcionan datos dinámicos sobre el estado funcional y estructural del cerebro, fundamentales para detectar anomalías en las primeras etapas de la enfermedad.
Por otro lado, los estudios genéticos han identificado variantes asociadas con la susceptibilidad al Alzheimer, tales como el gen APOE ε4, entre otros marcadores genómicos relacionados con procesos inflamatorios, acumulación de beta-amiloide y metabolismo de lípidos. El análisis genómico, mediante tecnologías como la secuenciación de nueva generación (NGS), permite establecer perfiles de riesgo individualizados y comprender mejor la etiología molecular de la enfermedad.
El enfoque integrador que combina señales cerebrales y datos genéticos busca establecer correlaciones entre los patrones electrofisiológicos y las predisposiciones genéticas de los individuos. Esta correlación puede lograrse mediante técnicas estadísticas avanzadas, modelos computacionales, inteligencia artificial y aprendizaje automático, los cuales facilitan el descubrimiento de biomarcadores multimodales, aumentan la precisión diagnóstica y permiten el desarrollo de herramientas predictivas.
Además, esta aproximación multidisciplinaria favorece la personalización de estrategias terapéuticas, ya que se puede identificar con mayor exactitud qué pacientes responderán mejor a determinadas intervenciones farmacológicas o cognitivas. Asimismo, contribuye al desarrollo de medicina de precisión y a la identificación de nuevas dianas terapéuticas.
Citas
Babiloni, C., Lizio, R., Marzano, N., Capotosto, P., Soricelli, A., Triggiani, A. I., Cordone, S., Gesualdo, L., & Del Percio, C. (2016). Brain neural synchronization and functional coupling in Alzheimer’s disease as revealed by resting state EEG rhythms. In International Journal of Psychophysiology (Vol. 103, pp. 88–102). Elsevier B.V. https://doi.org/10.1016/j.ijpsycho.2015.02.008
Badhwar, A. P., Tam, A., Dansereau, C., Orban, P., Hoffstaedter, F., & Bellec, P. (2017). Resting-state network dysfunction in Alzheimer’s disease: A systematic review and meta-analysis. Alzheimer’s and Dementia: Diagnosis, Assessment and Disease Monitoring, 8, 73–85. https://doi.org/10.1016/j.dadm.2017.03.007
Bron, E. E., Smits, M., van der Flier, W. M., Vrenken, H., Barkhof, F., Scheltens, P., Papma, J. M., Steketee, R. M. E., Méndez Orellana, C., Meijboom, R., Pinto, M., Meireles, J. R., Garrett, C., Bastos-Leite, A. J., Abdulkadir, A., Ronneberger, O., Amoroso, N., Bellotti, R., Cárdenas-Peña, D., … Klein, S. (2015). Standardized evaluation of algorithms for computer-aided diagnosis of dementia based on structural MRI: The CADDementia challenge. NeuroImage, 111, 562–579. https://doi.org/10.1016/j.neuroimage.2015.01.048
Deture, M. A., & Dickson, D. W. (2019). The neuropathological diagnosis of Alzheimer’s disease. In Molecular Neurodegeneration (Vol. 14, Issue 1). BioMed Central Ltd. https://doi.org/10.1186/s13024-019-0333-5
Ennerfelt, H. E., & Lukens, J. R. (2020). The role of innate immunity in Alzheimer’s disease. In Immunological Reviews (Vol. 297, Issue 1, pp. 225–246). Blackwell Publishing Ltd. https://doi.org/10.1111/imr.12896
Jack, C. R., Bennett, D. A., Blennow, K., Carrillo, M. C., Dunn, B., Haeberlein, S. B., Holtzman, D. M., Jagust, W., Jessen, F., Karlawish, J., Liu, E., Molinuevo, J. L., Montine, T., Phelps, C., Rankin, K. P., Rowe, C. C., Scheltens, P., Siemers, E., Snyder, H. M., … Silverberg, N. (2018). NIA-AA Research Framework: Toward a biological definition of Alzheimer’s disease. In Alzheimer’s and Dementia (Vol. 14, Issue 4, pp. 535–562). Elsevier Inc. https://doi.org/10.1016/j.jalz.2018.02.018
Jo, T., Nho, K., & Saykin, A. J. (2019). Deep Learning in Alzheimer’s Disease: Diagnostic Classification and Prognostic Prediction Using Neuroimaging Data. Frontiers in Aging Neuroscience, 11. https://doi.org/10.3389/fnagi.2019.00220
Kunkle, B. W., Grenier-Boley, B., Sims, R., Bis, J. C., Damotte, V., Naj, A. C., Boland, A., Vronskaya, M., van der Lee, S. J., Amlie-Wolf, A., Bellenguez, C., Frizatti, A., Chouraki, V., Martin, E. R., Sleegers, K., Badarinarayan, N., Jakobsdottir, J., Hamilton-Nelson, K. L., Moreno-Grau, S., … Pericak-Vance, M. A. (2019). Genetic meta-analysis of diagnosed Alzheimer’s disease identifies new risk loci and implicates Aβ, tau, immunity and lipid processing. Nature Genetics, 51(3), 414–430. https://doi.org/10.1038/s41588-019-0358-2
Liu, C. C., Kanekiyo, T., Xu, H., & Bu, G. (2013). Apolipoprotein e and Alzheimer disease: Risk, mechanisms and therapy. In Nature Reviews Neurology (Vol. 9, Issue 2, pp. 106–118). https://doi.org/10.1038/nrneurol.2012.263
Liu, M., Cheng, D., & Yan, W. (2018). Classification of alzheimer’s disease by combination of convolutional and recurrent neural networks using FDG-PET images. Frontiers in Neuroinformatics, 12. https://doi.org/10.3389/fninf.2018.00035
Reitz, C. (2016). Toward precision medicine in Alzheimer’s disease. Annals of Translational Medicine, 4(6). https://doi.org/10.21037/atm.2016.03.05
Varoquaux, G., & Cheplygina, V. (2021). How I failed machine learning in medical imaging -- shortcomings and recommendations. https://doi.org/10.1038/s41746-022-00592-y
Yener, G., Hünerli-Gündüz, D., Jiang, Y., Lizio, R., Lopez, S., Noce, G., Parra, M., Randall, F., Stocchi, F., & Babiloni, C. (2022). TREATMENT EFFECTS ON EVENT-RELATED EEG POTENTIALS AND OSCILLATIONS IN ALZHEIMER’S DISEASE. In Claudio Del Percio (Vol. 9). https://pdf.sciencedirectassets.com/271907/1-s2.0-S0167876022X00068/1-s2.0-S0167876022001283/am.pdf?X-Amz-Security-Token=IQoJb3JpZ2luX2VjEBAaCXVzLWVhc3QtMSJGMEQCIE0TZG0baS6mKt6iTZD%2F4Fa6NpPux2zl7aOVcqpEIU36AiBMQTrK7mOvJm5oIVa3jt9wcBm3LwZuIK6Dwh7Zb7q8pSqzBQh4EAUaDDA1OTAwMzU0Njg2NSIMxlH%2F2G06NvV7aFDDKpAFCAjWbTvLJqtWjD45aqYg4KmK4Y%2Fg3ylYhoozmsUS7gYkSoLoYV6hFvxV2KdWxsuCTA%2BQW3jKVorBY6FGLyS8EAG%2F608%2BkUA24JytiV2FEnLdCOBUR94vVNbAJpcHTayPuNo1FmfPkY7G1S%2BTAmokay3wyoearGwXEsfAs3COCkqMzXHh4O2yaxv2lJkNoqjvaCyRV97CNVaVMM94uDsIEDDs7B16fDy%2BVInKlGVgs6AOykKqC8oJ1qgXf%2FTPok%2Binz6Bv1ze7SgY%2BuFBoDMW9YikDu91ESaaLV%2FYk1YJasLD8ttWJja1oISeonSpogJgOO%2Fr%2BdXTtpG8mkdj12NcnnGzS3ImH9bPTzWmWAY8c14Ea9xPvwUd%2B4Dv2k8VPxQfv9jjoJwdQlmTbB%2FpdNgaKnItpikBZr9UiQZ%2FqCCWV8Mqww1EjuB2yHR56BQQMp418UA33VXec4en6set3GePEhW16EIhQ8M1Sv%2B9Bjbv%2BkHh4ERrntXp59%2FgMModD27eTH%2F%2Fm6m%2FwaYPGaykSZS07%2FTt8zoiY01v%2FISMtfmK9WMIu0O630ByzpETJ6Ejue%2BEVxU27cpO6b1dx%2Fhg%2FSF4vWX%2B1%2B2TfzRNfj%2BMzcZXHJbJ0Mt3RcP1tHY8hKOcCUFKxoXdXHe69B6XxMiy6ua34rt9JQyLzA0OVe3dM8%2F3ATYqiSi2aGIDWmPN7hdMlz6IDSQYoLHny%2B317ONrCSq4MziBPgGRF%2FYtXJpXTjE4APz32Vn5KFEydMa%2FtD8jWvSZbd%2FlgspUFrgiItj2AYNPYyu05MJixCe7TweIE3Q4p9%2F1k%2FyJb7%2BurH0rNzA%2FJ1Fq5cUgtzpwsfEw%2B3%2FgnzGAu2y7NGuYkXdEBn%2BEWdmuQPIwl5igvwY6sgF41I%2FGMu5BXya8dwu%2Bie81dmryLjRU1o0370XgRcSq7x576f3%2FXyba23mjqmgkOIxkjkuS4b5RQmPecNDVvV9XP%2FKsx8S%2FPIe%2FxEd%2FAs9V6AKaljYFR11iZd9%2FP%2B8K0cHSlaeA1QeBx7pYO2ZWe3nczuyt8EDm6FkckepSciNHXcPH5lTbS%2FjbyWBDlPpFBaRQtT7jYX%2BFlJIvDEp6v6pFD1gZVFH4kQH7e5JwCt44kpnm&X-Amz-Algorithm=AWS4-HMAC-SHA256&X-Amz-Date=20250329T155939Z&X-Amz-SignedHeaders=host&X-Amz-Expires=300&X-Amz-Credential=ASIAQ3PHCVTYZK4Q4CLY%2F20250329%2Fus-east-1%2Fs3%2Faws4_request&X-Amz-Signature=e5173861742a27f07a8f8031a854de19f3a1d5fd2ed98f44b6679823f2b1a45f&hash=7764b410e86a5f664aaf0bae6592375569ce2b5b8b6a1e7b151aaac9d4edb485&host=68042c943591013ac2b2430a89b270f6af2c76d8dfd086a07176afe7c76c2c61&pii=S0167876022001283&tid=pdf-529f0fff-2236-4a3c-9532-b9e9789b6167&sid=19e4dd323429b346c25bfb512d6bbba022edgxrqa&type=client
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2025 Revista internacional de Investigación y Desarrollo Global
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
