| Summary: | El cáncer es la segunda causa de muerte en todo el mundo, y solamente
podrá ser curado mediante una completa comprensión de toda su biología
subyacente. Esta enfermedad se caracteriza por una compleja reprogramación de la mayoría de los procesos celulares, favoreciendo el crecimiento,
la proliferación y la evasión del sistema inmunitario. La llegada de la secuenciación masiva y experimentos ‘high-throughput’, también conocidos
como tecnologías ómicas, ha permitido investigar el cáncer desde un punto
de vista más holístico, contribuyendo de forma decisiva al desarrollo del
campo de la Biología de Sistemas, una parte vital de la lucha actual contra
esta enfermedad. El principal objetivo de esta tesis doctoral es proporcionar
a la comunidad científica nuevas herramientas en el campo de la biología de
sistemas para la identificación de dianas terapéuticas y biomarcadores en el
cáncer.
Esta tesis doctoral se divide en dos partes. La primera parte se centra en el modelado basado en restricciones (‘Constraint-Based Modeling’,
CBM) y en el desarrollo de herramientas computacionales para la identificación de dianas terapéuticas utilizando modelos metabólicos a escala
genómica y datos de transcriptómica. En primer lugar, se muestra el
método rMTA: ‘robust Metabolic Transformation Analysis’, un algoritmo
que presenta una mejoría sobre una versión publicada previamente, MTA.
Estas metodologías buscan perturbaciones genéticas/farmacológicas que transformen un fenotipo metabólico enfermo de vuelta a un fenotipo sano.
En segundo lugar, presentamos gMCStool, una herramienta automatizada
para predecir vulnerabilidades metabólicas en cáncer. gMCStool explota el
concepto de ‘genetic Minimal Cut Sets’ (gMCSs), basado en la letalidad sintética y desarrollado previamente por nuestro grupo. gMCStool adapta los
algoritmos anteriores a los datos de secuenciación masiva del transcriptoma
(RNA-seq) y a Human1, la reconstrucción del metabolismo humano más
reciente. Se presenta una prueba de concepto de gMCStool para el mieloma
múltiple (MM). Dilucidamos y validamos in vitro la dependencia de CTPS1
de un subgrupo de pacientes de MM.
La segunda parte de esta tesis doctoral se centra en la búsqueda de
biomarcadores que sirvan tanto para la estratificación de pacientes según
el riesgo y respuesta a terapia. En primer lugar, presentamos un método
que utiliza experimentos de RNA-seq de forma alternativa, para predecir la
actividad de los promotores de los genes. Identificamos un subconjunto de
promotores que mejora la estratificación de los pacientes en comparación con
los biomarcadores genéticos establecidos y catalogados como de alto riesgo.
En segundo lugar, presentamos una nueva técnica de aprendizaje automático
para la regresión lineal, denominada BOSO (‘Bilevel Optimization Selector
Operator’), que proporciona una solución más elegante al problema de
la selección de variables. BOSO mejora las metodologías existentes para
conjuntos de datos en los que el número de variables es mayor que el número
de muestras, frecuentes en la investigación biomédica. Proporcionamos
una prueba de concepto de BOSO para la predicción de la sensibilidad
en líneas celulares de cáncer a distintos fármacos. Se realiza un análisis
computacional detallado y una validación experimental para Metotrexato,
un fármaco bien estudiado y dirigido contra el metabolismo del cáncer.
Finalmente, todos los modelos matemáticos, algoritmos, herramientas y
resultados de la investigación realizada han sido publicados en repositorios
públicos, como la COBRAtoolbox, GitHub, CRAN o Docker Hub.
|
|---|