Métodos estadístico-computacionales para la caracterización de patrones de expresión de proteínas en 2D-DIGE

El volumen de datos provenientes de experimentos basados en genómica y poteómica es grande y de estructura compleja. Solo a través de un análisis bioinformático/bioestadístico eficiente es posible identificar y caracterizar perfiles de expresión de genes y proteínas que se expresan en forma diferencial bajo distintas condiciones experimentales (CE). El objetivo principal es extender las capacidades computacionales y analíticos de los softwares disponibles de análisis de este tipo de datos, en especial para aquellos aplicables a datos de electroforésis bidimensional diferencial (2D-DIGE). En DIGE el método estadístico más usado es la prueba t de Student cuya aplicación presupone una única fuente de variación y el cumplimiento de ciertos supuestos distribucionales de los datos (como independencia y homogeneidad de varianzas), los cuales no siempre se cumplen en la práctica, pudiendo conllevar a errores en las estimaciones e inferencias de los efectos de interés. Los modelos Generalizados lineales mixtos (GLMM) permiten no solo incorporar los efectos que, se asume, afectan la variación de la respuesta sino que también modelan estructuras de covarianzas y de correlaciones más afines a las que se presentan en la realidad, liberando del supuesto de independencia y de normalidad. Estos modelos, más complejos en esencia, simplificará el análisis debido a la modelización directa de los datos crudos sin la aplicación de transformaciones para lograr distribuciones más simétricas. Produciendo también a una estimación estadísticamente más eficiente de los efectos presentes y por tanto a una detección más certera de los genes/ proteínas involucrados en procesos biológicos de interés. La característica relevante de esta tecnología es que no se conoce a priori cuáles son las proteínas presentes. Estas son identificadas mediante otras técnicas más costosas una vez que se detectó un conjunto de manchas diferenciales sobre los geles 2DE. Por ende disminuir los falsos positivos es fundamental en la identificación de tales manchas ya que inducen a resultados erróneas y asociaciones biológica ficticias. Esto no solo se logrará mediante el desarrollo de técnicas de normalización que incorporen explícitamente las CE, sino también con el desarrollo de métodos que permitan salirse del supuesto de gaussianidad y evaluar otros supuestos distribucionales más adecuados para este tipo de datos. También, se desarrollarán técnicas de aprendizaje automática que mediante optimización de funciones de costo específicas nos permitan identificar el subconjunto de proteínas con mayor potencialidad diagnóstica. Este proyecto tiene una alta componente estadístico/bioinformática, pero creemos que es el campo de aplicación, es decir la genómica y la proteómica, los que mas se beneficiarán con los resultados esperados. Para tal fin se utilizarán diversas bases de datos de distintos experimentos provistos por distintos centros de investigación nacionales e internacionales

Métodos estadístico-computacionales para la caracterización de patrones de expresión de proteínas en 2D-DIGE.

El volumen de datos provenientes de experimentos basados en genómica y poteómica es grande y de estructura compleja. Solo a través de un análisis bioinformático/bioestadístico eficiente es posible identificar y caracterizar perfiles de expresión de genes y proteínas que se expresan en forma diferencial bajo distintas condiciones experimentales (CE). El objetivo principal es extender las capacidades computacionales y analíticos de los softwares disponibles de análisis de este tipo de datos, en especial para aquellos aplicables a datos de electroforésis bidimensional diferencial (2D-DIGE). En DIGE el método estadístico más usado es la prueba t de Student cuya aplicación presupone una única fuente de variación y el cumplimiento de ciertos supuestos distribucionales de los datos (como independencia y homogeneidad de varianzas), los cuales no siempre se cumplen en la práctica, pudiendo conllevar a errores en las estimaciones e inferencias de los efectos de interés. Los modelos Generalizados lineales mixtos (GLMM) permiten no solo incorporar los efectos que, se asume, afectan la variación de la respuesta sino que también modelan estructuras de covarianzas y de correlaciones más afines a las que se presentan en la realidad, liberando del supuesto de independencia y de normalidad. Estos modelos, más complejos en esencia, simplificarán el análisis debido a la modelización directa de los datos crudos sin la aplicación de transformaciones para lograr distribuciones más simétricas,produciendo también a una estimación estadísticamente más eficiente de los efectos presentes y por tanto a una detección más certera de los genes/proteínas involucrados en procesos biológicos de interés. La característica relevante de esta tecnología es que no se conoce a priori cuáles son las proteínas presentes. Estas son identificadas mediante otras técnicas más costosas una vez que se detectó un conjunto de manchas diferenciales sobre los geles 2DE. Por ende disminuir los falsos positivos es fundamental en la identificación de tales manchas ya que inducen a resultados erróneas y asociaciones biológica ficticias. Esto no solo se logrará mediante el desarrollo de técnicas de normalización que incorporen explícitamente las CE, sino también con el desarrollo de métodos que permitan salirse del supuesto de gaussianidad y evaluar otros supuestos distribucionales más adecuados para este tipo de datos. También, se desarrollarán técnicas de aprendizaje automática que mediante optimización de funciones de costo específicas nos permitan identificar el subconjunto de proteínas con mayor potencialidad diagnóstica. Este proyecto tiene un alto componente estadístico/bioinformática, pero creemos que es el campo de aplicación, es decir la genómica y la proteómica, los que más se beneficiarán con los resultados esperados. Para tal fin se utilizarán diversas bases de datos de distintos experimentos provistos por distintos centros de investigación nacionales e internacionales.

Validación de una técnica para la evaluación estructurada del riesgo de violencia contra la pareja: Un avance en Córdoba sobre la práctica profesional basada en la evidencia.

EL PROBLEMA A raíz del reconocimiento de la violencia contra la mujer como un problema de salud pública, en las últimas dos décadas ha ocurrido una notable transformación de la respuesta a esta problemática en todos los sectores de la sociedad, incluyendo el sistema de justicia penal, los servicios sociales, el sistema sanitario y la opinión pública. La aproximación sanitaria y epidemiológica a la violencia contra la mujer, y específicamente la que ocurre en el seno de las relaciones de pareja (violencia contra la pareja o VCP), resalta el papel de la prevención y la importancia de valorar el riesgo de violencia para orientar las estrategias de intervención que los profesionales y técnicos administrarán a fin de evitar daños y peligros, a veces letales, sobre la víctima. Aunque la VCP es un tema prioritario en las políticas públicas de Córdoba, aun permanece el interrogante de cómo funcionan en la población local las técnicas estructuradas de evaluación del riesgo que han demostrado eficacia en la predicción del fenómeno a partir de la identificación y la intervención sobre los factores de riesgo que incrementan la probabilidad de su aparición. El RVD-Bcn es una de estas técnicas y fue desarrollada a fin de incrementar la precisión de los pronósticos y de orientar las decisiones profesionales relativas a la intervención con la víctima. HIPÓTESIS El RVD-Bcn administrado en mujeres de Córdoba será una herramienta útil para evaluar de forma objetiva, replicable y válida el riesgo de violencia que una mujer pueda tener, en un momento dado, por parte de su pareja actual o anterior y favorecerá la toma de decisiones de los profesionales para la gestión de cada caso en función de los niveles de riesgo y las necesidades identificadas. OBJETIVOS General: Poner a disposición de la comunidad profesional que trabaja en contextos sociosanitarios de Córdoba un instrumento validado empíricamente en población local para asistir a los profesionales en su toma de decisiones relativas al riesgo de VCP y a la gestión de los casos. Específicos: Identificar niveles de riesgo de violencia en las mujeres participantes, evaluar la fiabilidad y validez predictiva del RVD_Bcn sobre la VCP, establecer puntos de corte que equilibren los niveles de sensibilidad y especificidad diagnósticos y establecer recomendaciones para su uso en la gestión de los casos de VCP. METODOLOGÍA Estudio longitudinal y multicéntrico. Mediante una entrevista estructurada se administrará un cuestionario de datos sociodemográficos y de la situación de pareja y familiar y el RVD-Bcn a una muestra de 500 mujeres mayores de 18 años consultantes en servicios sociosanitarios de Córdoba. Se realizarán dos entrevistas de seguimiento al cabo de los 3 y 6 meses para recoger información sobre los sucesos violentos que la mujer haya podido sufrir durante ese período. Se realizarán análisis psicométricos de fiabilidad y validez predictiva de la herramienta mediante técnicas de regresión logística y el trazado de curvas ROC. RESULTADOS ESPERADOS Las herramientas de evaluación del riesgo de VCP han demostrado eficacia predictiva similar (en promedio d= .40) en diferentes poblaciones y contextos (Hanson, Helmus & Bourgon, 2007). Es esperable que el RVD-Bcn demuestre una capacidad predictiva similar a la obtenida en la muestra original. IMPORTANCIA DEL PROYECTO El uso de protocolos estructurados para la valoración profesional del riesgo de violencia incrementa la capacidad predictiva en los pronósticos profesionales, reduce la tasa de falsos positivos y falsos negativos, mejora la eficacia de las medidas preventivas al adecuarlas a los niveles de riesgo estimados y a las necesidades detectadas en cada caso individualizado, y mejora la comunicación entre profesionales. Este estudio representa un primer esfuerzo en Córdoba de aproximación empírica a la evaluación estructurada del riesgo en casos de VCP y sus resultados serán útiles para indicar los lineamientos de investigación futura.