Desarrollan un algoritmo útil para la comprensión de los procesos celulares implicados en distintas enfermedades

Este avance, publicado recientemente en la revista Computers in Biology and Medicine, introduce una nueva herramienta llamada MO-GENECI, la cual optimiza la precisión y fiabilidad en la construcción de estas redes complejas. Las Redes Regulatorias Genéticas son modelos fundamentales en biología y medicina, ya que describen cómo los genes interactúan entre sí y con otros factores de transcripción, proporcionando una visión detallada de los procesos celulares y su relación con diversas enfermedades. Sin embargo, la inferencia de estas redes a partir de datos de expresión génica ha sido históricamente un desafío debido a la complejidad de los datos y las limitaciones de las técnicas existentes.

MO-GENECI, un algoritmo evolutivo multiobjetivo

Para abordar este reto, el equipo liderado por el investigador del grupo Gestión, Integración y Análisis de Datos y de Conocimiento (KHAOS) y de la UMA, Ismael Navas, ha desarrollado MO-GENECI, un algoritmo evolutivo multiobjetivo que selecciona las mejores técnicas para la inferencia de redes, adaptándose a las características particulares de cada conjunto de datos.

Este método no solo mejora la precisión en la identificación de las interacciones genéticas, sino que también mitiga la incertidumbre en la elección de la técnica adecuada para cada caso.

Por su parte, Adrián Segura ha destacado la importancia de este avance, “porque no solo mejora los resultados obtenidos por técnicas individuales, sino que también ofrece una solución flexible y adaptable que puede ser aplicada en diversos contextos biológicos”, lo que abre, según palabras del propio investigador predoctoral, “un camino abierto a nuevos estudios más precisos en la comprensión de enfermedades y procesos celulares”.

Impacto de la herramienta en biomedicina

Igualmente, el investigador José M. García Nieto, coautor del trabajo, enfatiza en el impacto potencial de esta herramienta en la biomedicina, “debido a que el enfoque multiobjetivo de MO-GENECI nos permite no solo seleccionar las mejores técnicas, sino también optimizar varios aspectos cruciales de la inferencia de redes genéticas, ya que podría tener implicaciones significativas en el desarrollo de terapias más efectivas y personalizadas”.

Por su parte, el catedrático en el Instituto de Tecnología e Ingeniería del Software (ITIS) de la UMA, José F. Aldana, que coordina este grupo de investigación de IBIMA Plataforma BIONAND y el grupo KHAOS de la UMA, subraya que el desarrollo de MO-GENECI contribuye a la creciente importancia de la bioinformática en la investigación biomédica, donde herramientas computacionales avanzadas como esta permiten descifrar los complejos mecanismos de regulación genética con una precisión sin precedentes.

Este tipo de investigaciones no solo contribuyen al conocimiento científico, sino que también podrían acelerar el desarrollo de nuevas estrategias terapéuticas y mejorar el tratamiento de enfermedades.

Acceso abierto

El código fuente de MO-GENECI está disponible públicamente, lo que facilita su acceso a la comunidad científica global y promueve la colaboración en futuros estudios que busquen mejorar y aplicar esta herramienta en otros contextos. MO-GENECI se encuentra disponible en un paquete software implementado en uno de los lenguajes de programación más populares y con una jerarquización de comandos bastante intuitiva y bien documentada dentro de la propia herramienta.

La modularización del código permite una fácil extensión de objetivos e incorporación de nuevas técnicas de inferencia, incluso para personas con simples nociones básicas de programación.

Referencia:

Segura-Ortiz A, García-Nieto J, Aldana-Montes JF, Navas-Delgado I. Multi-objective context-guided consensus of a massive array of techniques for the inference of Gene Regulatory Networks. Comput Biol Med. 2024 Jul 15;179:108850. doi: 10.1016/j.compbiomed.2024.108850. Epub ahead of print. PMID: 39013340.

Fuente: IBIMA