Modelado de la progresión de la enfermedad de Alzheimer a nivel celular mediante datos de secuenciación de ARN y redes neuronales en grafos
Year: 2026
Type: dissertation
Abstract: El Alzheimer es la forma más común de demencia y una de las enfermedades neurodegenerativas con mayor impacto a nivel mundial, afectando a millones de personas sin que exista actualmente ninguna cura. La comprensión de los mecanismos celulares implicados en su desarrollo es fundamental para avanzar en el conocimiento de la enfermedad. Los datos de single-cell RNA sequencing (scRNA-seq) ofrecen un gran detalle para estudiar cómo varía la expresión génica entre células de pacientes con distintos estadíos de la enfermedad. En este contexto, el presente Trabajo de Fin de Grado propone el diseño, implementación y evaluación de un sistema basado en redes neuronales sobre grafos heterogéneos (GNNs) aplicado a datos de coexpresión génica en pacientes de Alzheimer. El objetivo principal es predecir el estadío de progresión neuropatológica de la enfermedad, cuantificándolo de forma discreta y continua. El punto de partida de este trabajo es un conjunto de datos del proyecto Seattle Alzheimer's Disease Brain Cell Atlas. A partir de estos datos, se construye un heterografo en el que los nodos representan donantes, genes, tipos celulares y coexpresiones génicas, mientras que las aristas modelan las relaciones entre ellos con coeficientes de correlación. El grafo completo alcanza los 24 GB en disco, y contiene más de 16 millones de nodos de tipo expresión en algunos tipos celulares. Sobre esta representación se desarrollan dos modelos basados en redes neuronales sobre grafos (GNNs). Un primer modelo de clasificación predice la fase como problema de clasificación multiclase con cuatro categorías (High, Intermediate, Low, Reference) fuertemente desbalanceadas. El segundo modelo plantea una tarea de regresión que predice una puntuación continua en el intervalo [0,1] asociada al grado de progresión de la enfermedad. Los resultados muestran que ambos modelos superan consistentemente métodos de referencia más simples en ambas tareas y para los tres tipos celulares evaluados. Sin embargo, la fiabilidad de los resultados depende de la calidad de los datos, ya que algunos tipos celulares evaluados no aportan la suficiente información para distinguir entre estadíos de la enfermedad. Por ello, las líneas futuras incluyen el entrenamiento sobre el heterografo completo, evaluándo todos los tipos celulares simultáneamente para obtener estimaciones más robustas. En conjunto, este trabajo demuestra la viabilidad de los grafos heterogéneos como representación de datos de coexpresión génica en la enfermedad de Alzheimer y establece un pipeline reproducible, contribuyendo a la intersección entre bioinformática y aprendizaje profundo sobre grafos. Asimismo, se incluye un análisis de impacto personal, empresarial, social, económico, medioambiental y cultural alineando las conclusiones con los Objetivos de Desarrollo Sostenible de la Agenda 2030, resaltando la necesidad de la investigación de las enfermedades sin cura. ABSTRACT Alzheimer's disease is the most common form of dementia and one of the neurodegenerative diseases with the greatest impact worldwide, affecting millions of people for whom no cure currently exists. Understanding the cellular mechanisms involved in its development is fundamental to advancing knowledge of the disease. Single-cell RNA sequencing (scRNA-seq) data offers great detail for studying how gene expression varies between cells from patients at different disease stages. In this context, the present Bachelor's Thesis proposes the design, implementation and evaluation of a system based on heterogeneous graph neural networks (GNNs) applied to gene co-expression data from Alzheimer's patients. The main objective is to predict the neuropathological progression stage of the disease, quantifying it in both discrete and continuous forms. The starting point of this work is a dataset from the Seattle Alzheimer's Disease Brain Cell Atlas project. From this data, a heterogeneous graph is constructed in which nodes represent donors, genes, cell types and gene co-expressions, while edges model the relationships between them using correlation coefficients. The full graph reaches 24 GB on disk and contains more than 16 million expression-type nodes in some cell types. On top of this representation, two graph neural network (GNN) models are developed. A first classification model predicts the disease stage as a multiclass classification problem with four strongly imbalanced categories (High, Intermediate, Low, Reference). The second model addresses a regression task that predicts a continuous score in the interval [0,1] associated with the degree of disease progression. Results show that both models consistently outperform simpler baseline methods on both tasks and across the three cell types evaluated. However, the reliability of the results depends on data quality, as some evaluated cell types do not provide sufficient information to distinguish between disease stages. Therefore, future directions include training on the full heterogeneous graph, evaluating all cell types simultaneously to obtain more robust estimates. Overall, this work demonstrates the viability of heterogeneous graphs as a representation of gene co-expression data in Alzheimer's disease and establishes a reproducible pipeline, contributing to the intersection of bioinformatics and deep learning on graphs. Additionally, a personal, business, social, economic, environmental and cultural impact analysis is included, aligning the conclusions with the Sustainable Development Goals of the 2030 Agenda, highlighting the need for research into diseases without a cure.
Author: Martín Ceballos, Laura
Institution: Universidad Politécnica de Madrid
Language: Spanish
Subfield: Molecular Biology
Domain: Life Sciences
Open Access status: green
OpenAlex ID: W7171277369
