Year: 2026
Type: dissertation
Abstract: Ageing Prediction Models from Blood Gene Expression ResumoOs relógios de envelhecimento são modelos de aprendizagem automática supervisionada que preveem a idade cronológica a partir de dados biológicos de elevada dimensionalidade.A expressão génica no sangue representa um substrato particularmente acessível para esta tarefa, mas a área carece de pipelines reprodutíveis que combinem um pré-processamento rigoroso com uma comparação sistemática de modelos e validação interpretável das características utilizadas.Esta tese desenvolve e avalia um pipeline de aprendizagem automática para previsão da idade a partir de dados de RNA-seq de sangue total, utilizando a coorte GTEx v11.O pipeline integra um pré-filtro de expressão génica diferencial, seis métodos complementares de seleção de características avaliados em múltiplos tamanhos de conjuntos de genes, e uma estrutura comparativa de regressão que abrange modelos lineares penalizados, ensembles baseados em árvores, e redes neuronais.A prevenção de fuga de dados (data leakage) é assegurada em todas as etapas, com todo o pré-processamento ajustado exclusivamente nos dados de treino e o conjunto de teste reservado até à avaliação final.O XGBoost foi selecionado como o modelo preditivo final, alcançando um MAE de teste de 7.35 anos e R 2 de 0,506 num conjunto de teste de 152 dadores.Um ensemble ponderado de Elastic Net, Random Forest e XG-Boost foi também avaliado, obtendo apenas uma melhoria marginal ( MAE = 7.29 anos), insuficiente para justificar o aumento de complexidade e a perda de interpretabilidade associados.A rede neuronal não conseguiu generalizar, provavelmente devido ao tamanho insuficiente da amostra.Além disso, a sobreamostragem sintética através de SMOGN foi avaliada e verificou-se que não melhorava o desempenho face à distribuição de idades desequilibrada no conjunto de treino.A aceleração da idade (∆Age), a diferença entre a idade prevista e a idade cronológica utilizado ao longo desta tese como proxy para o envelhecimento biológico, revelou um enviesamento claramente dependente da idade, com os dadores mais jovens a serem superestimados e os mais velhos subestimados, refletindo a influência residual deste desequilíbrio mesmo após a avaliação estratificada.A assinatura genética final, composta por 200 genes, foi interpretada utilizando os coeficientes do Elastic Net para determinar a direção da associação com a idade, e valores deacrshortshap calculados sobre o modelo XGBoost final para avaliar a importância de cada gene, sendo comparada com duas assinaturas de referência publicadas e analisada através de redes de interação proteína-proteína, confirmando a coerência biológica da assinatura para além do seu desempenho preditivo.Estes resultados demonstram FCUP iii Ageing Prediction Models from Blood Gene Expression que é possível obter previsão competitiva da idade transcriptómica e assinaturas genéticas interpretáveis a partir de uma coorte modesta através de um desenho metodológico cuidadoso, fornecendo uma base reprodutível para futura validação entre coortes.Todo o código utilizado para gerar os resultados apresentados nesta tese está disponível em https://github.com/martacduarte/blood-gene-expression-ageing-prediction.
Author: Marta Campos Duarte
Institution: Universidade do Porto
Language: English
Subfield: Molecular Biology
Domain: Life Sciences
Open Access status: green
OpenAlex ID: W7204495478