El equipo de investigación Khaos que lidera el Dr. José F. Aldana Montes ha logrado un importante avance en el campo de la genética que brinda nuevas esperanzas para el desarrollo de tratamientos personalizados.
Mediante el uso de una estrategia innovadora, han construido diversas redes de regulación genética que permiten comprender mejor cómo interactúan los genes y cómo esto puede influir en la salud y las enfermedades.
Imagina estas redes de regulación genética como mapas de metro que nos ayudan a entender cómo los genes se comunican entre sí en diferentes situaciones, como cuando estamos enfermos o bajo tratamiento médico. Al comprender estas interacciones, los investigadores pueden encontrar posibles objetivos para tratamientos más precisos y personalizados.
Este trabajo, publicado en la prestigiosa revista “Computers in Biology and Medicine”, aborda el problema de conocer cómo son estas redes en diferentes escenarios. Estas redes varían dependiendo de situaciones como la enfermedad o su tratamiento. Es como si en ese mapa dependiendo de cada persona y su estado, ciertas estaciones se cerraran o abrieran, o la conexión entre estaciones pudiera estar en funcionamiento o no. Sin embargo, en el caso de ciertos tratamientos novedosos, no conocemos el estado real de esas redes en cada momento. Poder conocer ese estado, permitiría saber, por ejemplo, si un tratamiento va a ser efectivo o no.
Para construir estas redes genéticas, los investigadores comienzan con información sobre la actividad de un grupo de genes. Esta actividad se mide con valores numéricos que indican cuán activos están los genes en un momento dado. Esto se puede medir de diferentes maneras, pero el resultado es similar: obtenemos números que nos muestran cómo funcionan los genes. Es como si para conocer el estado de las estaciones de metro no pudiéramos consultar directamente a ninguna entidad, pero si pudiéramos conocer en cada momento el número de personas que hay en cada estación.
El desafío es descubrir cómo interactúan estos genes en diferentes situaciones, como durante una enfermedad o cuando se está aplicando un tratamiento médico. Al entender estas interacciones, podemos saber qué genes podrían ser objetivos para tratamientos específicos. Volviendo a nuestro ejemplo, el reto es sabiendo en cada momento el número de personas en una estación, predecir si la conexión entre dos estaciones está abierta o no, en base a las personas que entran o salen de cada estación.
Para crear estas redes genéticas, hay diferentes soluciones informáticas que han sido desarrolladas para casos concretos, desde el estudio de organismos simples como bacterias, hasta el estudio de enfermedades genéticas. El problema es que cada solución informática es buena para un tipo de problema a estudiar. El estudio en cuestión presenta una estrategia que combina estas técnicas y obtiene soluciones de consenso que funcionan bien en diferentes escenarios. Esta estrategia se basa en algoritmos evolutivos que optimizan el consenso de diferentes técnicas en función del contexto de las redes biológicas. Es decir, estos algoritmos funcionan como si tuviéramos un conjunto de expertos en el tema y queremos dar mayor peso a la opinión de aquellos que tienen más experiencia, pero no sabemos quiénes son para cada caso. Para ello se basan en ejemplos de sus decisiones en situaciones conocidas para valorar su nivel de conocimiento.
El investigador Adrián Segura Ortiz realizó las siguientes declaraciones sobre estos prometedores resultados: «la capacidad de GENECI para adaptarse a diferentes dominios de especialización no sólo elimina la incertidumbre inicial del investigador en la elección de una técnica de inferencia concreta, sino que permite extraer de cada técnica las cualidades más beneficiosas para su problema».
El Dr. José Manuel García Nieto, también investigador involucrado en este estudio, comenta que «la solución algorítmica propuesta pone a trabajar juntas de manera orquestada a todas las técnicas especializadas en inferencia de redes de regulación génica, por lo que los resultados son muy robustos y confiables, independientemente de la naturaleza de los datos».
A su vez, el Dr. Ismael Navas Delgado, investigador del estudio apuntó: “los resultados y herramientas de este trabajo está disponibles para que la comunidad pueda usarlas e incluso aportar con mejoras propias”.
Los resultados de este proyecto podrían suponer un avance significativo en la calidad de las redes de regulación génica que se infieren mediante técnicas computacionales.
Sobre IBIMA Plataforma Bionand:
El Instituto de Investigación Biomédica de Málaga y Plataforma en Nanomedicina es la institución de referencia en la investigación científica y la innovación en el campo de la biomedicina en la provincia de Málaga. Su objetivo es contribuir al avance del conocimiento y al desarrollo de nuevas terapias y técnicas diagnósticas para mejorar la salud y el bienestar de la sociedad. IBIMA Plataforma Bionand cuenta con grupos de investigación y equipamiento de primer nivel posicionándose como un referente en la investigación biomédica a nivel nacional e internacional. Para obtener más información, visite su www.ibima.eu
Referencia del artículo: GENECI: A novel evolutionary machine learning consensus-based approach for the inference of gene regulatory networks. Volume 155, March 2023, 106653 https://doi.org/10.1016/j.compbiomed.2023.106653
Adrián Segura-Ortiz 1, José García-Nieto 2, José F Aldana-Montes 3, Ismael Navas-Delgado 3
