Análisis comparativo de redes de atención de grafosy redes convolucionales de grafos para predecirinteracciones candidatas entre SNP, miRNA y fármacos enconjuntos de datos regulatorios integrados

Resumen

Factores genéticos y epigenéticos complejos, como los polimorfismos de nucleótido único (SNPs) que influyen en la función de los microARNs (miRNAs), participan en la inflamación periodontal y la regeneración tisular. Sin embargo, en el marco de la periodoncia de precisión siguen siendo limitados los enfoques computacionales para predecir interacciones potenciales SNP–miRNA que podrían influir en la señalización inflamatoria y en las respuestas a fármacos. Objetivo: Implementar y comparar dos modelos de aprendizaje automático basados en redes neuronales de grafos—Graph Attention Network (GAT) y Graph Convolutional Network (GCN)— para predecir posibles interacciones SNP–miRNA–fármaco que podrían ser relevantes para las vías inflamatorias y regenerativas asociadas con la enfermedad periodontal. Materiales y Método: Se incluyeron SNPs ubicados en regiones precursoras de miRNA y en regiones diana, asociados con genes vinculados a respuesta inmune y respuesta a fármacos, a partir de tres conjuntos de datos seleccionados de la base miRNA SNP v3.0. Tras el preprocesamiento, se construyeron vectores compuestos mediante fusión temprana de características heterogéneas. Posteriormente, se aplicó análisis de componentes principales (PCA) para normalizar y reducir la dimensionalidad. Los modelos GAT y GCN se implementaron en PyTorch Geometric, se entrenaron con pérdida de entropía cruzada y se evaluaron usando métricas de regresión (RMSE, MAE, R²) y de clasificación (exactitud, precisión, sensibilidad, F1-score, ROC-AUC, PR-AUC). Resultados: Con una sensibilidad perfecta (1,0), una puntuación F1 de 0,666 y un área bajo la curva precisión–recobrado (PR-AUC) de 0,750, el modelo GAT superó al modelo GCN en el desempeño de clasificación, mostrando una mayor sensibilidad para la identificación de interacciones candidatas dentro del conjunto de datos regulatorio integrado. Aunque los valores de R² fueron cercanos a cero—lo que sugiere una explicación limitada de la varianza—el rendimiento en regresión fue comparable entre ambos modelos (RMSE ≈ 0,524). Los diagnósticos visuales evidenciaron que GAT conservó mayor variabilidad en las predicciones, mientras que las predicciones de GCN tendieron a concentrarse alrededor de valores medios. Conclusiones: Debido a su arquitectura basada en mecanismos de atención, el modelo GAT mostró un mejor desempeño en métricas de clasificación en comparación con GCN, lo que sugiere posibles ventajas para priorizar interacciones candidatas SNP–miRNA fármacos dentro de conjuntos de datos regulatorios integrados. No obstante, los valores de R² cercanos a cero indican una capacidad limitada para modelar la fuerza continua de interacción, por lo que los resultados deben interpretarse principalmente como una evaluación computacional comparativa. Estos hallazgos destacan el potencial de los enfoques de aprendizaje automático basados en grafos para explorar interacciones regulatorias candidatas y sugieren la necesidad de futuros estudios que incorporen conjuntos de datos moleculares específicos de enfermedad, modelos más interpretables y arquitecturas híbridas para mejorar la relevancia biológica y la aplicabilidad translacional.