Análisis de datos y detección de enfermedades con tecnología multi-red

Juan Carlos Leyva López

Jesús Jaime Solano Noriega

---

Resumen

El uso de enfoques de redes múltiples (o multi-red) para la identificación de genes ha ganando terreno con el fin de comprender su relación con enfermedades. Este método computacional ayuda a identificar los genes involucrados en enfermedades como el cáncer, integrando diversos datos de las ciencias ómicas (genómica de genes, proteómica de proteínas y metabolómica de metabolitos). Así también, el método mejora la precisión en la predicción de genes relacionados con enfermedades, lo que ayuda a la medicina personalizada. El método de redes múltiples tiene amplias aplicaciones en otras enfermedades, lo cual permite visualizar tratamientos más efectivos basados en perfiles genéticos individuales y, en última instancia, mejorar la atención médica.

Palabras clave:

Cáncer; priorización de genes; tecnología multi-red.

La ciencia detrás de la priorización de genes

En la genética humana, los aproximadamente 20,000 genes del cuerpo influyen en aspectos que van desde el color del cabello hasta la susceptibilidad a enfermedades. Comprender los genes relacionados con enfermedades y cómo se expresan es esencial para avanzar en la medicina con tratamientos basados en perfiles genéticos individuales.

El avance de tecnologías como los estudios de asociación de todo el genoma (Genome-Wide Association Studies o GWAS por sus siglas en inglés) ha permitido identificar variaciones genéticas relacionadas con enfermedades, aunque el gran volumen de datos dificulta discernir asociaciones significativas. Por eso, interpretar redes genéticas y su impacto en el cuerpo o la salud requiere métodos computacionales avanzados. Los modelos multi-red son herramientas clave para procesar estos datos e identificar genes relacionados con enfermedades, abriendo la puerta a detección más personalizadas.

La priorización de genes implica identificar aquellos más influyentes en una red biológica que en realidad es mucho más compleja. Para esto, las tecnologías “ómicas” que analizan diferentes capas de complejidad (genómica, proteómica y metabolómica) aportan información no solo sobre el ADN, sino de las proteínas y huellas químicas de procesos celulares, respectivamente.

El enfoque multi-red combina diferentes capas de datos genéticos, permitiendo identificar conexiones y genes clave en las vías de enfermedades. Similar a un GPS que analiza múltiples factores para determinar la mejor ruta, este enfoque examina interacciones genéticas para priorizar genes con mayor impacto en una enfermedad.

Este enfoque jerárquico es crucial para la medicina personalizada y adaptar diagnósticos o enfoques de salud basados en la composición genética individual.

¿Cómo funciona el enfoque multi-red?

En el campo de la genética, varios genes pueden etiquetarse como genes sospechosos de influir en una enfermedad. Algo similar a como lo hace un detective cuando tiene por delante un caso misterioso por resolver, donde cada uno de los sospechosos tiene sus propias razones y características. En diversas enfermedades, los científicos a veces emplean un enfoque multi-red, de manera muy similar a como trabaja un detective que junta cuidadosamente pistas de una variedad de fuentes para resolver un caso.

Para los científicos, los diferentes tipos de datos "ómicos" ofrecen información diferente y valiosa. Los datos genómicos presentan información sobre variantes genéticas, los datos transcriptómicos revelan niveles de expresión genética y los datos proteómicos ilustran interacciones y modificaciones de proteínas. La integración de estos tipos de datos "ómicos" permite obtener información valiosa y variada. La integración de este tipo de datos en una investigación puede ser comparada con la habilidad de un detective para combinar declaraciones de testigos, imágenes de cámaras de seguridad y pruebas forenses para construir una narrativa integral y coherente.

Consideremos un escenario en el que los datos de expresión genética sugieren que un gen está sobreexpresado en un tipo de cáncer. Sin embargo, los datos de interacción de proteínas muestran que este gen es parte de una red más grande involucrada en el crecimiento celular. Podemos pensar claramente que cada tipo de datos ofrece una pista por sí solo. Aun así, juntos podrían revelar una vía crucial para el desarrollo de enfermedades, identificando genes clave para una tener más pistas o información.

Al combinar datos de múltiples redes genéticas, podemos mejorar nuestra capacidad para identificar señales genéticas relacionadas con enfermedades u otras condiciones. Es como reunir y analizar diferentes piezas de evidencia en una investigación para mejorar nuestra comprensión de los eventos.

En este caso, los investigadores pueden utilizar modelos computacionales avanzados para analizar redes integradas e identificar genes sospechosos o responsables de una enfermedad. Esto ayuda a los investigadores a comprender cómo estos genes interactúan en consorcios genéticos más grandes. El objetivo de este enfoque es tener una visión integral que permita el desarrollo de diagnósticos o tratamientos más efectivos.

En los esfuerzos de los investigadores por comprender y desarrollar mejores tratamientos, los datos que analizan son tan importantes como las herramientas que utilizan. La técnica de redes múltiples utiliza una amplia gama de datos biológicos, centrándose principalmente en la secuenciación de ARN (ácido ribonucleico) y las interacciones de proteínas.

La secuenciación de ARN puede considerarse como una imagen detallada de alta resolución que captura la actividad dinámica de los genes dentro de una célula en un punto específico en el tiempo. Al igual que un helicóptero que proporciona actualizaciones en tiempo real sobre carreteras congestionadas, la secuenciación de ARN revela qué genes están actualmente activos, cuáles están inactivos y el grado de su actividad. Esta riqueza de "datos de actividad genética" es invaluable, ya que permite identificar niveles anormales de actividad en enfermedades como el cáncer, en comparación con su comportamiento en células sanas, lo que potencialmente indica su participación en la progresión de la enfermedad.

Imagínese tratando de comprender las interacciones de proteínas como si estuviera mapeando todas las conversaciones que tienen lugar en un café lleno de gente. En una célula, cada proteína interactúa con otras para llevar a cabo funciones vitales, como la forma en que las personas intercambian ideas para completar con éxito un proyecto. Al profundizar en estas interacciones, también conocidas como el "interactoma", los investigadores pueden identificar proteínas esenciales y determinar cómo la interrupción de estas interacciones podría interrumpir los procesos patológicos, lo que resulta similar a detener la comunicación en un proyecto mal gestionado para evitar más errores.

El enfoque de múltiples redes integra dos conjuntos diferentes de datos para ir más allá de la simple identificación de posibles sospechosos genéticos o como han sido alterados. Este método revela las intrincadas interacciones entre estos genes dentro de la compleja red de procesos celulares y ambientales que puede ayudar en el desarrollo de intervenciones o diagnósticos más adecuadas.

Ejemplo de la vida real: estudio de caso de cáncer de ovario

Fig. 1. Campaña de concientización sobre el cáncer de ovario

El cáncer de ovario es una enfermedad particularmente desafiante en la investigación del cáncer, ya que a menudo no se detecta hasta que ha progresado a una etapa avanzada. Las bajas tasas de supervivencia de personas que padecen este tipo de cáncer se pueden atribuir a síntomas no específicos y a la falta de métodos efectivos de detección temprana.

Las investigaciones han demostrado que el cáncer de ovario es el resultado de una compleja red de interacciones genéticas, en lugar de una única mutación. En este contexto, un enfoque multi-red puede ser clave para priorizar la investigación con el fin de identificar y tratar oportunamente el cáncer de ovario.

La focalización genética puede ayudar a cambiar esta narrativa. Este enfoque integra vastos datos genómicos, transcriptómicos y proteómicos para descubrir los genes y vías específicas involucrados en el cáncer de ovario.

La identificación de genes clave en el cáncer de ovario es importante porque puede ayudar a desarrollar terapias dirigidas, predecir y prevenir la enfermedad y ayudar a las mujeres a beneficiarse de medidas preventivas o intervenciones tempranas. Las investigaciones en curso están refinando las listas de genes y las interacciones, abriendo nuevas puertas en la terapia del cáncer y las estrategias de prevención. La identificación de los genes GSTA1 y ERBB2 ha sido crucial para comprender y combatir el cáncer de ovario.

El gen GSTA1, también conocido como glutatión S-transferasa alfa 1, tiene un papel protector en las células al desintoxicar las sustancias nocivas. Los cambios en su actividad en el cáncer de ovario pueden reducir su eficacia para eliminar carcinógenos, lo que puede provocar más daño y progresión del cáncer, especialmente en constante exposición a sustancias nocivas. La identificación del gen GSTA1 mediante la estrategia de priorización de genes podría conducir a tratamientos que potencien su actividad normal, o identificar detonadores carcinógenos, lo que podría reducir el riesgo o la gravedad del cáncer.

De manera similar, el gen ERBB2, también conocido como HER2, desempeña un papel importante en el cáncer de mama y de ovario al influir en el crecimiento y la división celular. La hiperactividad del ERBB2 en las células cancerosas puede provocar un crecimiento descontrolado. El uso de medidas específicos para atacar al ERBB2 puede bloquear estas señales, lo que ralentiza o detiene la progresión del cáncer.

El uso de un enfoque multi-red para identificar genes como GSTA1 y ERBB2 mejora nuestra comprensión del cáncer de ovario y crea oportunidades para controlarlo o evitarlo. Este método ofrece la posibilidad de detección, prevención o tratamientos más efectivos con una mayor seguridad.

¿Por qué es importante?

El cáncer y otras enfermedades complejas como el Alzheimer y la diabetes resultan de interacciones genéticas intrincadas. Las técnicas utilizadas en el cáncer de ovario pueden aplicarse a otros tipos de cáncer, descubriendo nuevos objetivos terapéuticos.

El enfoque multi-red no solo identifica factores genéticos clave, sino que contribuye al desarrollo de tratamientos precisos y personalizados, mejorando los resultados de los pacientes y reduciendo costos. Esto evita tratamientos genéricos ineficaces o con efectos secundarios graves, mejorando significativamente la atención médica.

Conclusión

El enfoque multi-red integra datos biológicos para identificar genes críticos en enfermedades, facilitando la detección o terapias más efectivas y personalizadas. Al priorizar el análisis de la interacción en sistemas vivos, este método transforma el panorama de la detección y atención médica actual.

Literatura relacionada

• Barabási, A.-L., Gulbahce, N., & Loscalzo, J. (2011). Network medicine: A network-based approach to human disease. Nature Reviews Genetics, 12(1), 56–68. https://doi.org/10.1038/nrg2918

• Collins, F. S., & Varmus, H. (2015). A new initiative on precision medicine. New England Journal of Medicine, 372(9), 793–795. https://doi.org/10.1056/NEJMp1500523

• Menche, J., Sharma, A., Kitsak, M., Ghiassian, S. D., Vidal, M., Loscalzo, J., & Barabási, A.-L. (2015). Uncovering disease-disease relationships through the incomplete interactome. Science, 347(6224), 1257601. https://doi.org/10.1126/science.1257601

• Solano Noriega, J. J., Leyva Lopez, J. C., Browne, F., & Liu, J. (2021). An outranking approach for gene prioritization in epithelial ovarian cancer progression using multi-networks. International Journal of Computational Intelligence Systems, 14(1), 1728–1741. https://doi.org/10.2991/ijcis.d.210712.001

Semblanzas

Dr. Juan Carlos Leyva López, juan.leyva@uadeo.mx, es profesor de la Universidad Autónoma de Occidente, en Culiacán, México. Coordinador del doctorado en Analítica de Negocios y director de la Unidad de Investigación e Innovación Educativa en la misma universidad. Su interés principal en la investigación se centra en el análisis multicriterio para la toma de decisiones y en los sistemas de apoyo para la toma de decisiones.  Su trabajo de investigación ha estado dirigido al desarrollo de modelos y métodos matemáticos y su sistematización computacional en las áreas de Análisis Multicriterio para la Toma de Decisiones, Sistemas de Soporte a la Decisión y Optimización Evolutiva Multiobjetivo.

Dr. Jesús Jaime Solano Noriega, jaime.solano@uadeo.mx, es Doctor en Ciencias de la Ingeniería por la Universidad Autónoma de Ciudad Juárez. Tiene experiencia en investigación en temas relacionados al análisis multicriterio para la toma de decisiones, algoritmos evolutivos, sistemas basados en reglas y aprendizaje automático. Actualmente es profesor de tiempo completo, miembro del Cuerpo Académico Consolidado “Administrativo”, miembro del Núcleo Académico Básico del Doctorado en Innovación y Administración de las Organizaciones y miembro del Núcleo Académico Básico del Doctorado en Analítica de Negocios de la Universidad Autónoma de Occidente. Cuenta con Perfil Deseable PRODEP y es miembro del Sistema Nacional de Investigadores del CONACyT, Nivel I.