La obesidad está asociada con varios factores de riesgo metabólico. Entre ellos, la insulinorresistencia (IR) representa una pieza clave en su fisiopatología. Desafortunadamente, los mecanismos moleculares de la IR aún son desconocidos. Especialmente en población pediátrica con obesidad, la pubertad se ha descrito como una etapa de riesgo metabólico capaz de definir la evolución metabólica futura de los pacientes obesos. Es de especial relevancia, por lo tanto, determinar si la IR de un niño obeso en desarrollo puberal es fisiopatológicamente relevante. Hasta el momento, han sido varios los abordajes centrados en identificar marcadores ómicos predictivos para la clasificación temprana de pacientes obesos, pero existe una carencia de abordajes multi-omicos que interrelacionen la información molecular entre sí junto con factores ambientales (dieta y actividad física). En medio de esta necesidad, las técnicas de Machine Learning (ML), han experimentado un notable impulso debido a su capacidad para obtener de forma automática modelos descriptivos o predictivos a partir de cantidades masivas de datos (Big Data). Estos modelos no solo nos permitirían mejorar nuestra comprensión molecular sobre la obesidad, sino también mejorar nuestra capacidad para predecir alteraciones metabólicas con una alta precisión y la generación de planes preventivos personalizados. El objetivo de este proyecto es explorar, a través de ML, las bases moleculares de la obesidad y la IR en niños en maduración puberal contando con información genética, epigenética, metabólica, así como con datos ambientales. Para ello, se realizará un análisis sobre una población longitudinal de 94 niños con/sin obesidad infantil e IR (en seguimiento durante pubertad), y una población transversal de validación de 240 niños obesos (120 IR, 50 % pre-puberes)

Obesidad
Resistencia Insulínica
Niños
Pubertad
Ómicas
Inteligencia artificial
Machine Learning
Big Data
Bioinformática

Acción Estratégica en Salud (AES)