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

Resumo Técnico: Avaliação Baseada em Simulação de Perfis de Metilação de cfDNA e miRNA Associados ao Câncer para Inferência Molecular Forense

Definição do Problema
A fenotipagem de DNA forense (FDP) está se expandindo além dos traços externamente visíveis (ex: pigmentação, ancestralidade) em direção à inferência molecular probabilística. No entanto, a inferência de estados associados a doenças, como o câncer, apresenta desafios únicos em comparação com a previsão de traços físicos. A inferência de doenças envolve informações sensíveis relacionadas à saúde, levantando preocupações significativas de ordem ética, legal e probatória. Além disso, a tradução de biomarcadores de biópsia líquida clínica (metilação de DNA livre de células [cfDNA] e microRNA [miRNA]) para contextos forenses é complicada pela degradação ambiental, contaminação, entradas de baixo template e traços de fontes mistas. Há uma carência de benchmarks computacionais controlados para avaliar se perfis combinados de metilação de cfDNA e miRNA podem, teoricamente, distinguir estados moleculares saudáveis de estados associados ao câncer dentro de um framework forense, sem extrapolar a validade clínica ou operacional.

Metodologia
Este estudo é uma prova de conceito, uma simulação orientada para a área forense, projetada para avaliar a capacidade discriminatória interna de perfis moleculares combinados. Não envolveu participantes humanos, coleta de amostras biológicas ou testes diagnósticos.

• Geração de Dados: Um conjunto de dados equilibrado de 1.000 perfis moleculares simulados foi gerado (500 saudáveis, 500 associados ao câncer) utilizando 100 preditores (50 variáveis de metilação de cfDNA e 50 variáveis de expressão de miRNA). A simulação foi informada por recursos publicamente disponíveis relacionados ao câncer de pulmão (ex: dataset GEO GSE157152) e literatura revisada por pares para garantir plausibilidade biológica.
• Parâmetros de Simulação: O modelo incorporou heterogeneidade biológica, correlação entre características (via fatores latentes compartilhados), variação estocástica e sobreposição parcial de distribuição entre as classes para evitar uma separação determinística. Um parâmetro de efeito global de 0,56 foi aplicado a um subconjunto de variáveis para simular efeitos de classe.
• Modelagem de Perturbação Forense: Para avaliar a robustez, o estudo introduziu cenários de teste de estresse simulando condições forenses adversas:
  • Degradação: Atenuação do sinal relacionado à classe (20%, 40%, 60%).
  • Contaminação: Mistura parcial de perfis (10%, 20%, 40%).
  • Ruído Analítico: Inflação da variância estocástica (25%, 50%, 100%).
  • Sobreposição de Classes: Redução dos tamanhos de efeito entre os grupos (30%, 50%).
• Abordagem de Aprendizado de Máquina: Cinco algoritmos supervisionados foram comparados: Regressão Logística, Support Vector Machine (kernel RBF), Random Forest, Gradient Boosting e Extreme Gradient Boosting. Os modelos foram avaliados usando validação cruzada de cinco dobras estratificada com previsões agrupadas fora da dobra (out-of-fold).
• Seleção de Modelo: O Gradient Boosting foi retido como o classificador "conservador" primário. Embora a Regressão Logística e o SVM tenham alcançado AUCs internas mais altas, o Gradient Boosting foi escolhido para evitar que o estudo fosse moldado por métricas de desempenho máximas e potencialmente excessivamente otimistas.

Principais Resultados

• Desempenho de Linha de Base: Sob pressupostos controlados de simulação, o espaço de características combinadas de metilação de cfDNA e miRNA demonstrou forte separação de classes. O modelo primário de Gradient Boosting alcançou uma Área Sob a Curva (AUC) fora da dobra de 0,9932, com uma acurácia de 0,967, precisão de 0,968, recall (sensibilidade) de 0,966 e um F1-score de 0,967.
• Matriz de Confusão: O modelo primário produziu 484 verdadeiros negativos, 483 verdadeiros positivos, 16 falsos positivos e 17 falsos negativos.
• Importância das Características: O modelo utilizou informações de ambas as camadas moleculares, com as características de maior ranking incluindo tanto variáveis de metilação (MET) quanto de miRNA (miR), sugerindo que perfis combinados retêm informação discriminatória.
• Análise de Sensibilidade: O desempenho foi altamente sensível a condições adversas.
  • Alta Degradação (60% de atenuação de sinal): A AUC caiu para 0,8352.
  • Alto Ruído Analítico (100% de inflação de variância): A AUC caiu para 0,8972.
  • Alta Sobreposição de Classes (50% de redução de efeito): A AUC caiu para 0,8876.
  • Alta Contaminação (40% de mistura): A AUC caiu para 0,9340.
  • Estes resultados indicam que o sinal de classificação não é invariante às condições de estresse forense.

Significância e Alegações
Os autores posicionam este trabalho estritamente como um benchmark computacional e um ponto de partida metodológico, rejeitando explicitamente alegações de validade diagnóstica clínica ou utilidade forense operacional.

• Prova de Conceito: O estudo demonstra que, dentro de uma simulação controlada, perfis combinados de metilação de cfDNA e miRNA possuem forte discriminabilidade interna entre estados saudáveis e associados ao câncer.
• Transparência Metodológica: Ao especificar os parâmetros de simulação, comparar múltiplos algoritmos e realizar testes de estresse, o estudo evita apresentar um único AUC elevado como evidência suficiente de validade forense. Destaca que, embora o sinal seja forte sob pressupostos ideais, ele degrada significativamente sob restrições forenses realistas (degradação, ruído, contaminação).
• Limitações e Fronteiras: O artigo enfatiza que o conjunto de dados é simulado, não derivado de traços forenses autênticos. Ele não valida a detecção de câncer a partir de evidências de cena de crime, não estabelece o diagnóstico do doador e não apoia o uso investigativo.
• Requisitos Futuros: Os autores concluem que qualquer progressão para a prática requer validação em laboratório (wet-lab) utilizando materiais forenses autênticos (degradados, misturados, de baixo template), conjuntos de dados externos independentes e o estabelecimento de salvaguardas éticas, legais e de reporte explícitas antes que qualquer aplicação investigativa possa ser considerada.

Em resumo, o artigo fornece uma avaliação conservadora e transparente do potencial teórico da inferência molecular associada ao câncer na área forense, enquanto delineia rigorosamente a lacuna entre a simulação computacional e a realidade operacional.