Simulation-Based Assessment of Cancer-Associated cfDNA Methylation and miRNA Profiles for Forensic Molecular Inference: A Proof-of-Concept Machine-Learning Study

Resumen Técnico: Evaluación Basada en Simulaciones de los Perfiles de Metilación de cfDNA y miRNA Asociados al Cáncer para la Inferencia Molecular Forense

Planteamiento del Problema
El fenotipado de ADN forense (FDP, por sus siglas en inglés) se está expandiendo más allá de los rasgos externamente visibles (p. ej., pigmentación, ascendencia) hacia la inferencia molecular probabilística. Sin embargo, la inferencia de estados asociados a enfermedades, como el cáncer, presenta desafíos únicos en comparación con la predicción de rasgos físicos. La inferencia de enfermedades involucra información de salud sensible, lo que plantea importantes preocupaciones éticas, legales y probatorias con respecto a la privacidad y la proporcionalidad. Además, la traducción de los biomarcadores de biopsia líquida clínica (metilación de ADN libre de células [cfDNA] y microARN [miRNA]) al contexto forense se ve complicada por la degradación ambiental, la contaminación, las entradas de baja plantilla y las trazas de fuentes mixtas. Existe una falta de evaluaciones computacionales controladas para evaluar si los perfiles combinados de metilación de cfDNA y miRNA pueden distinguir teóricamente entre estados moleculares sanos y asociados al cáncer dentro de un marco forense, sin exagerar la validez clínica u operativa.

Metodología
Este estudio es una prueba de concepto, orientada a la forense, diseñada como una simulación para evaluar la capacidad de discriminación interna de los perfiles moleculares combinados. No involucró participantes humanos, recolección de muestras biológicas ni pruebas diagnósticas.

• Generación de Datos: Se generó un conjunto de datos equilibrado de 1,000 perfiles moleculares simulados (500 sanos, 500 asociados al cáncer) utilizando 100 predictores (50 variables de metilación de cfDNA y 50 variables de expresión de miRNA). La simulación se basó en recursos de cáncer de pulmón disponibles públicamente (p. ej., el conjunto de datos GEO GSE157152) y literatura revisada por pares para asegurar la plausibilidad biológica.
• Parámetros de Simulación: El modelo incorporó heterogeneidad biológica, correlación entre características (mediante factores latentes compartidos), variación estocástica y un solapamiento parcial de las distribuciones entre clases para evitar una separación determinista. Se aplicó un parámetro de efecto global de 0.56 a un subconjunto de variables para simular efectos de clase.
• Modelado de Perturbación Forense: Para evaluar la robustez, el estudio introdujo escenarios de pruebas de estrés que simulan condiciones forenses adversas:
  • Degradación: Atenuación de la señal relacionada con la clase (20%, 40%, 60%).
  • Contaminación: Mezcla parcial de perfiles (10%, 20%, 40%).
  • Ruido Analítico: Inflación de la varianza estocástica (25%, 50%, 100%).
  • Solapamiento de Clases: Reducción de los tamaños de efecto entre grupos (30%, 50%).
• Enfoque de Aprendizaje Automático: Se compararon cinco algoritmos supervisados: Regresión Logística, Máquina de Vectores de Soporte (núcleo RBF), Bosque Aleatorio (Random Forest), Gradient Boosting y Extreme Gradient Boosting. Los modelos fueron evaluados mediante validación cruzada de cinco pliegues estratificados con predicciones agrupadas fuera de la muestra (out-of-fold).
• Selección de Modelo: Se retuvo el Gradient Boosting como el clasificador "conservador" principal. Aunque la Regresión Logística y el SVM lograron AUCs internas más altas, se eligió el Gradient Boosting para evitar presentar el estudio con métricas de rendimiento máximas y potencialmente optimistas.

Resultos Clave

• Rendimiento de Referencia: Bajo supuestos de simulación controlados, el espacio de características combinado de metilación de cfDNA y miRNA demostró una fuerte separación de clases. El modelo principal de Gradient Boosting logró un Área Bajo la Curva (AUC) fuera de la muestra de 0.9932, con una precisión (accuracy) de 0.967, precisión (precision) de 0.968, sensibilidad (recall) de 0.966 y un F1-score de 0.967.
• Matriz de Confusión: El modelo principal produjo 484 verdaderos negativos, 483 verdaderos positivos, 16 falsos positivos y 17 falsos negativos.
• Importancia de las Características: El modelo utilizó información de ambas capas moleculares, con las características de mayor rango incluyendo tanto variables de metilación (MET) como de miRNA (miR), lo que sugiere que los perfiles combinados retienen información discriminativa.
• Análisis de Sensibilidad: El rendimiento fue altamente sensible a las condiciones adversas.
  • Alta Degradación (60% de atenuación de señal): El AUC cayó a 0.8352.
  • Alto Ruido Analítico (100% de inflación de la varianza): El AUC cayó a 0.8972.
  • Alto Solapamiento de Clases (30% de reducción de efecto): El AUC cayó a 0.8876.
  • Alta Contaminación (40% de mezcla): El AUC cayó a 0.9340.
  • Estos resultados indican que la señal de clasificación no es invariante a las condiciones de estrés forense.

Significancia y Reivindicaciones
Los autores posicionan este trabajo estrictamente como un punto de referencia computacional y un punto de partida metodológico, rechazando explícitamente las afirmaciones de validez diagnóstica clínica o utilidad forense operativa.

• Prueba de Concepto: El estudio demuestra que, dentro de una simulación controlada, los perfiles combinados de metilación de cfDNA y miRNA poseen una fuerte discriminabilidad interna entre estados sanos y asociados al cáncer.
• Transparencia Metodológica: Al especificar los parámetros de la simulación, comparar múltiples algoritmos y realizar pruebas de estrés, el estudio evita presentar un único AUC alto como evidencia suficiente de validez forense. Destaca que, si bien la señal es fuerte bajo supuestos ideales, esta se degrada significamente bajo restricciones forenses realistas (degradación, ruido, contaminación).
• Limitaciones y Límites: El documento enfatiza que el conjunto de datos es simulado, no derivado de trazas forenses auténticas. No valida la detección de cáncer a partir de evidencia de la escena del crimen, no establece el diagnóstico del donante y no respalda el uso investigativo.
• Requisitos Futuros: Los autores concluyen que cualquier progresión hacia la práctica requiere validación en laboratorio húmedo utilizando materiales forenses auténticos (degradados, mezclados, de baja plantilla), conjuntos de datos externos independientes y el establecimiento de salvaguardias éticas, legales y de reporte explícitas antes de que cualquier aplicación investigativa pueda ser considerada.

En resumen, el artículo proporciona una evaluación conservadora y transparente del potencial teórico de la inferencia molecular asociada al cáncer en la forense, mientras delimita rigurosamente la brecha entre la simulación computacional y la realidad operativa.