O uso de inteligência artificial para integrar dados de lipidômica, marcadores clínicos e parâmetros funcionais em pessoas de meia-idade eutróficas, obesas e diabéticas tipo 2 após 16 semanas de treinamento combinado

• Processo: 19/25817-6
• Modalidade de apoio: Bolsas no Exterior - Estágio de Pesquisa - Doutorado
• Data de Início da vigência: 27 de dezembro de 2020
• Data de Término da vigência: 26 de outubro de 2021
• Área de conhecimento: Ciências da Saúde - Educação Física
• Pesquisador responsável: Claudia Regina Cavaglieri
• Beneficiário: Renata Garbellini Duft
• Supervisor: Julian Griffin
• Instituição Sede: Faculdade de Educação Física (FEF). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
• Instituição Anfitriã: Imperial College London, Inglaterra
• Vinculado à bolsa: 17/11033-8 - Respostas metabólicas agudas e crônicas ao exercício físico em pessoas de meia idade saudáveis, obesas e diabéticas tipo 2 utilizando as abordagens metabolômica e lipidômica, BP.DR
• Assunto(s): Exercício físico Treinamento físico Lipidômica Aprendizado computacional Obesidade Diabetes mellitus tipo 2
• Palavra(s)-Chave do Pesquisador: combined training | Exercise | lipidomics | machine learning | Obesity | Type 2 Diabetes | Metabolismo, bioquímica e exercício

Resumo

A lipidômica é uma abordagem que elucida a complexidade dos mecanismos envolvidos na manutenção da homeostase lipídica para encontrar candidatos a biomarcadores, que por sua vez, podem atuar como ferramentas de diagnóstico de doenças crônicas não transmissíveis. A quantidade excessiva de tecido adiposo na obesidade leva a uma variedade de disfunções metabólicas, como resistência à insulina (IR) e diabetes tipo 2 (DM2). Para enfrentar a crescente epidemia de obesidade, um tratamento não farmacológico essencial, para essa e outras comorbidades, é a prática regular de exercícios físicos, como o treinamento combinado (TC), que combina treinamento aeróbio (TA) e treinamento de força (TF) na mesma sessão. Marcadores bioquímicos clássicos fornecem uma visão limitada do metabolismo, por esse motivo, novas estratégias estão sendo usadas para a integração de dados. Por exemplo, algoritmos de aprendizagem de máquinas (machine learning) podem ser usados para integrar conjuntos de dados ômicos. Em vista disso, o objetivo deste projeto é usar o aprendizado de máquinas para integrar dados lipidômicos com marcadores clínicos e parâmetros funcionais de treinamento para encontrar candidatos a biomarcadores que predizam alterações metabólicas causadas por treinamento com base no metabolismo de pessoas de meia idade eutróficos (EU), obesos (OB) e diabéticos tipo 2 (DM2). O amostra consiste em 127 voluntários de meia-idade de ambos os sexos, divididos em 3 grupos controle e 3 grupos de treinamento, de acordo com sua condição. O programa de TC foi realizado 3 vezes por semana, durante 16 semanas. Coletas de sangue e biópsias de tecido adiposo subcutâneo foram coletadas antes do período de treinamento e 48 a 72h após a última sessão de treinamento. As análises lipidômicas serão realizadas por espectrometria de massa, e a integração de dados e o uso de aprendizado de máquina serão realizados usando a ferramenta estatística R e Matlab. (AU)