Investigadores de la Universidad Pablo de Olavide, en colaboración con investigadores de la Universidad Americana de Paraguay, han llevado a cabo un estudio in silico, es decir, de simulación por ordenador, empleando datos biomédicos de 187 pacientes para identificar nuevos biomarcadores genéticos implicados en el proceso tumoral del cáncer de pulmón. El equipo multidisciplinar, liderado por el profesor Francisco A. Gómez, está compuesto por investigadores de Intelligent Data Analysis group y de Data Science & Big Data Research Lab de la UPO, entre los que se incluyen Fernando M. Delgado, Miguel García y Federico Divina.
El objetivo del proyecto es el de generar modelos matemáticos in silico de interacción genética empleando técnicas computacionales y de inteligencia artificial de alto nivel. En concreto, este tipo de modelo es denominado red genética y pretende representar las relaciones entre los diferentes genes de un organismo para un proceso biológico concreto de manera visual. Las redes genéticas se presentan visualmente en forma de grafo donde los diferentes genes están unidos por relaciones entre sí. De esta forma, se puede decir que las redes genéticas presentan una ‘foto’ de los distintos tipos de interacción genética en determinados procesos o enfermedades.
Una vez generadas, el análisis de estas redes permite una mejor comprensión y estudio de los mecanismos moleculares y celulares implicados en el desarrollo de enfermedades, como es en este caso, el carcinoma pulmonar. En concreto, este tipo de modelos supone una aproximación integrativa en el estudio masivo de la expresión génica, que permite considerar el conjunto de genes de los pacientes que están implicados en el desarrollo tumoral. “Nuestra comprensión sobre cómo interactúan los genes entre sí se ha visto potenciada gracias a este tipo de aproximaciones que son capaces de analizar miles de genes de forma simultánea”, explica Francisco A. Gómez.
Sin embargo, la generación de este tipo de modelos suele resultar inabarcable para un trabajo experimental tradicional en laboratorio debido a la ingente cantidad de información genética a estudiar. Es por esto que las nuevas técnicas computacionales de inteligencia artificial y de aprendizaje automático surgen como una solución para abaratar costes, acotar los experimentos en laboratorio y plazos de ejecución de estudios.
El trabajo realizado resulta muy relevante debido a que el carcinoma de pulmón supone uno de los tipos de cáncer más agresivos y con peor prognosis, debido principalmente a su diagnóstico tardío. Aún en estadíos tempranos de la enfermedad, las expectativas de recuperación total tras el tratamiento suponen un pronóstico devastador. Es por esto que son muchos los esfuerzos destinados a conseguir un diagnóstico temprano de la enfermedad, que contribuiría al optimismo del paciente. En este contexto, los biomarcadores suponen una sensible herramienta de diagnóstico precoz. Éstos son sustancias o moléculas obtenidas generalmente de forma no invasiva (como por ejemplo una muestra de sangre), y que son indicativos de la presencia de procesos tumorales. Además, de propósitos diagnósticos, los biomarcadores se pueden usar para determinar cómo de avanzada está la enfermedad y predecir la respuesta del paciente a un tratamiento. “Estos biomarcadores son piezas clave para el progreso en la lucha contra enfermedades como el cáncer”, subraya Francisco A. Gómez.
Los primeros resultados obtenidos han sido recientemente publicados en la revista especializada en campo de la genética, Genes, presentando un conjunto de biomarcadores verificados en un porcentaje considerable de casos clínicos. Si bien los datos son preliminares y necesitan desarrollo experimental en el laboratorio, los resultados obtenidos resultan prometedores, ya que a través de este tipo de herramientas se pueden caracterizar más profundamente los mecanismos moleculares subyacentes a esta enfermedad para su posterior abordaje terapéutico.
Modelos de redes aplicables al estudio de otras enfermedades
La tecnología empleada supone un enfoque aplicable a multitud de casos clínicos ya que, además de para el estudio del carcinoma de pulmón, este tipo de modelos de redes genéticas han demostrado su utilidad en otro tipo de enfermedades, como las que afectan a la salud mental. Por ejemplo, según refleja otro reciente trabajo coordinado por Francisco A. Gómez, también en colaboración con Fernando M. Delgado, Miguel García y Federico Divina, estos modelos de redes son aplicables al estudio del estrés post- traumático.
En esta última investigación los modelos de redes génicas generados in silico sirvieron para distinguir exitosamente a nivel genético entre dos grupos de pacientes: un primero que presentaba signos de estrés post-traumático y un segundo sin evidencias de trastorno mental.
Artículo completo sobre modelos in silico para identificar biomarcadores genéticos implicados en cáncer de pulmón:
Delgado-Chaves, F.M.; Gómez-Vela, F.; García-Torres, M.; Divina, F.; Vázquez Noguera, J.L. Computational Inference of Gene Co-Expression Networks for the identification of Lung Carcinoma Biomarkers: An Ensemble Approach. Genes 2019, 10, 962.
https://doi.org/10.3390/genes10120962
Artículo completo sobre modelos de redes genéticas aplicables al estudio del estrés post-traumático:
Gómez-Vela, F.; Delgado-Chaves, F.M.; Rodríguez-Baena, D.S.; García-Torres, M.; Divina, F. Ensemble and Greedy Approach for the Reconstruction of Large Gene Co-Expression Networks. Entropy 2019, 21, 1139.
https://doi.org/10.3390/e21121139
> Press Release in English: UPO researchers create ‘in silico’ models used for identifying genetic biomarkers involved in lung cancer
