Nuevo enfoque puede ayudar a identificar a los niños pequeños con mayor riesgo de obesidad
Los investigadores de Penn State utilizaron métodos estadísticos novedosos para analizar las curvas de crecimiento de los niños desde el nacimiento hasta los tres años de edad. Las curvas, que se presentan en el panel superior con un color único para cada niño, también se combinaron con información genética para desarrollar puntajes de riesgo de obesidad. Las curvas en el panel inferior están codificadas por colores para corresponder a estos puntajes de riesgo, con puntajes más altos (rojo) que indican un mayor riesgo de que un niño desarrolle obesidad. Crédito: Sarah Craig et al., Econometría y estadística.
Los puntajes de riesgo recientemente desarrollados sintetizan la información genética en una métrica fácil de interpretar que podría ayudar a los médicos a identificar a los niños pequeños con mayor riesgo de desarrollar obesidad.
El estudio, dirigido por investigadores de Penn State, utilizó métodos estadísticos novedosos para establecer criterios de puntuación utilizando datos recopilados de niños pequeños. La investigación también demuestra que se pueden obtener resultados sólidos a partir de estudios que son órdenes de magnitud más pequeños que los estudios genéticos típicos cuando se recopilan datos completos a lo largo del tiempo y se utilizan junto con potentes herramientas estadísticas.
«Alrededor del 18 % de los niños en los Estados Unidos son obesos, y el 6 % son severamente obesos», dijo Sarah Craig, profesora asistente de investigación de biología en Penn State. «Si podemos identificar a los niños con mayor riesgo, podríamos prevenir el desarrollo de la obesidad en primer lugar. En este estudio, creamos puntajes de riesgo basados en información genética que los médicos podrían usar para identificar a los niños pequeños que se beneficiarían más de estrategias de intervención».
Este estudio es parte de un proyecto más grande llamado INSIGHT (Intervention Nurses Start Infants Growing on Healthy Trajectories), coordinado a través del Penn State Health Milton S. Hershey Medical Center, en el que investigadores y médicos trabajar juntos para identificar los factores de riesgo biológicos y sociales de la obesidad y los impactos de las intervenciones de crianza receptivas durante la vida temprana de un niño. El equipo de investigación recolectó datos longitudinales periódicamente 8 veces entre el nacimiento y los tres años de edad, incluidos el peso, la altura y las variables conductuales y ambientales de casi 300 niños. También recolectaron una muestra de sangre para análisis genéticos de cada uno de los niños, que sirvió como base para desarrollar puntajes de riesgo. El equipo publicó sus resultados en un artículo que aparece en la revista Econometrics and Statistics.
Los puntajes de riesgo, llamados «puntajes de riesgo poligénico», porque se basan en muchas ubicaciones genéticas en todo el genoma, destilan una gran cantidad de información genética en un formato fácil de -agarrar número. Por lo general, las puntuaciones incorporan información de una serie de polimorfismos de un solo nucleótido (SNP), o ubicaciones en el genoma donde las letras individuales del alfabeto de ADN pueden variar entre las personas, que están más relacionadas con las métricas de interés, en este caso, las tasas de crecimiento y la obesidad. .
«Los intentos anteriores de producir puntajes de riesgo poligénicos para la obesidad se desarrollaron utilizando información genética de adultos o niños mayores e incluyen entre cien y dos millones de SNP», dijo Kateryna Makova, profesora de biología y Verne M. Cátedra Willaman de Ciencias de la Vida en Penn State. «Números tan altos son desafiantes y potencialmente costosos de reproducir de manera consistente, especialmente en un entorno clínico. Produjimos dos opciones de puntaje con muchos menos SNP, uno con 24 y otro con 5 que, sin embargo, pueden proporcionar información valiosa para investigadores y médicos».
El equipo de investigación utilizó técnicas estadísticas novedosas de un campo llamado análisis funcional de datos para identificar los SNP más relacionados con la obesidad, que luego se incorporaron a las puntuaciones.
«A diferencia de muchos estudios genéticos, que recopilan datos en una sola medida, como por ejemplo el índice de masa corporal IMC, y en un solo momento, aprovechamos los datos longitudinales recopilados a lo largo del tiempo», dijo Francesca. Chiaromonte, profesor de estadística y presidente de la cátedra Huck de estadística para las ciencias de la vida en Penn State. «Varias medidas de peso y altura a lo largo del tiempo producen una curva de crecimiento para cada niño, y podemos analizar las formas de las curvas de los niños de nuestra cohorte mediante el análisis de datos funcionales. Aprovechamos estos datos más completos en cada paso del análisis .»
Los datos genéticos arrojan millones de SNP que deben analizarse, y el equipo usó varias técnicas para reducir el grupo a los SNP más relacionados con las curvas de crecimiento y las medidas de la obesidad.
«Primero evaluamos el impacto de cada SNP individualmente en las medidas relacionadas con la obesidad, como una forma de eliminar aquellas que claramente no estaban relacionadas», dijo Ana Kenney, estudiante de posgrado en estadística en Penn State en el momento de la investigación y ahora investigador postdoctoral en la Universidad de California, Berkeley. «Algunos estudios eligen detenerse en este paso, sin embargo, redujimos el grupo aún más al observar todos los SNP restantes simultáneamente y eliminar aquellos que no parecían tener un impacto cuando se los consideraba junto con otros».
Este proceso produjo 24 SNP que los investigadores incorporaron en una puntuación de riesgo poligénico. Los puntajes, construidos en base a las curvas de crecimiento, también resultaron estar relacionados con otras medidas más utilizadas; fueron mayores en los niños con un mayor aumento de peso condicional (el cambio en el aumento de peso durante los primeros 6 meses) y con un rápido aumento de peso infantil como predictor de obesidad más adelante en la vida.
El equipo de investigación redujo aún más el grupo a cinco de los SNP más «estables», los SNP que tuvieron el mayor impacto incluso cuando perturbaron los datos. A partir de estos cinco SNPS, produjeron un segundo puntaje que podría usarse como una alternativa más simple.
«Aunque el puntaje con 24 SNP es más poderoso que el puntaje con 5 SNP, verificamos que ambos son medidas útiles del riesgo de obesidad, y creemos que cualquiera podría usarse en un entorno clínico», dijo Matthew Reimherr, profesor asociado de estadística en Penn State. «Una puntuación que requiere escribir menos SNP debería hacer que sea más fácil de producir en las clínicas».
Notablemente, los puntajes producidos en este estudio también predijeron la obesidad en niños mayores y en adultos, lo que el equipo de investigación verificó utilizando conjuntos de datos disponibles públicamente. Sin embargo, las puntuaciones producidas a partir de otros estudios que se basaron en información sobre la obesidad en adultos no se tradujeron en los niños pequeños de este estudio.
«Esto sugiere que las señales genéticas relacionadas con la obesidad que vemos en la primera infancia son crítico a lo largo de la vida», dijo Ian Paul, profesor de pediatría y ciencias de la salud pública en el Colegio de Medicina de Penn State. «Sin embargo, a medida que las personas envejecen, comienzan a manifestar otras partes de su composición genética. Las puntuaciones basadas en señales tempranas parecen ser más sólidas a lo largo de la vida de una persona. Esto resalta la necesidad de más estudios que se centren en identificar el riesgo y prevenir la obesidad en niños pequeños. , particularmente en los ‘primeros 1000 días’ que abarcan el embarazo y los primeros dos años después del nacimiento».
El estudio también demuestra que los estudios más pequeños que caracterizan profundamente a los individuos y aprovechan las técnicas de análisis de datos funcionales pueden ser una herramienta poderosa alternativa a los típicos estudios genéticos a gran escala.
«Estas técnicas pueden abrir puertas a laboratorios más pequeños con menos recursos», dijo Craig. «Al trabajar cuidadosa y rigurosamente para recopilar datos longitudinales de cohortes más específicas, y al usar técnicas estadísticas poderosas, aún puede lograr encontrar información útil con un estudio que es mucho más pequeño que los estudios GWAS típicos».
Además de Craig, Makova, Chiaromonte, Kenney, Reimherr y Paul, el equipo de investigación incluye a Junli Lin, investigadora asociada de Penn State en el momento de la investigación; Leann Birch, difunta profesora de alimentos y nutrición en la Universidad de Georgia, quien ayudó a liderar INSIGHT; Jennifer Savage, directora del Centro de Investigación de la Obesidad Infantil y profesora asociada de ciencias de la nutrición en Penn State; y Michele Marini, tecnóloga de investigación y estadística del Centro de Investigación de la Obesidad Infantil de Penn State.
Este trabajo cuenta con el apoyo del Instituto Nacional de Diabetes y Enfermedades Digestivas y Renales (NIDDK); la Facultad de Ciencias Eberly de Penn State; el Instituto de Ciencias Computacionales y de Datos de Penn State; los Institutos Penn State Huck de Ciencias de la Vida; y el Departamento de Salud de Pensilvania usando fondos de Tobacco CURE. La Fundación Nacional de Ciencias brindó apoyo adicional.
Explore más
Las bacterias orales de los niños pequeños pueden predecir la obesidad Más información: Sarah JC Craig et al, Construyendo una puntuación de riesgo poligénico para la obesidad infantil usando análisis de datos funcionales, Econometrics and Statistics (2021) ). DOI: 10.1016/j.ecosta.2021.10.014 Proporcionado por la Universidad Estatal de Pensilvania Cita: El nuevo enfoque puede ayudar a identificar a los niños pequeños con mayor riesgo de obesidad (2022, 10 de enero) recuperado el 29 de agosto de 2022 de https: //medicalxpress.com/news/2022-01-approach-young-children-obesity.html Este documento está sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigación privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona únicamente con fines informativos.