Científicos de Málaga usan inteligencia artificial para descubrir “genes de respaldo” frente a enfermedades graves

Un equipo científico de Málaga ha desarrollado una metodología basada en inteligencia artificial capaz de predecir qué genes podrían compensar la pérdida de función de otros genes relacionados con enfermedades.

El trabajo abre una nueva vía para buscar posibles dianas terapéuticas en patologías de origen genético y estudiar por qué algunos tumores desarrollan resistencia frente a determinados medicamentos.

La herramienta no constituye todavía un tratamiento ni permite prevenir directamente una enfermedad. Su función consiste en analizar grandes cantidades de información biomédica y seleccionar los candidatos más prometedores para que posteriormente sean estudiados en el laboratorio.

La investigación ha sido desarrollada por especialistas de la Universidad de Málaga, IBIMA Plataforma BIONAND, el Centro de Investigación Biomédica en Red de Enfermedades Raras y el Instituto Nacional de Bioinformática.

Qué son los “genes de respaldo”

El método se basa en un fenómeno natural denominado compensación genética funcional.

En determinadas circunstancias, cuando un gen deja de funcionar correctamente, otro con una actividad semejante puede asumir parte de sus tareas. Esta compensación puede reducir las consecuencias que la alteración genética provoca en las células y en el organismo.

Identificar estos genes alternativos permitiría plantear una estrategia diferente a la reparación directa del gen defectuoso. En lugar de actuar únicamente sobre la alteración original, los investigadores podrían estudiar cómo aumentar la actividad del gen que funciona como respaldo.

Este planteamiento resulta especialmente interesante para las enfermedades genéticas, aunque descubrir todas las posibles relaciones entre los miles de genes humanos mediante experimentos convencionales sería una tarea extremadamente compleja.

Cómo interviene la inteligencia artificial

El equipo ha recurrido a la bioinformática, el análisis de redes y el aprendizaje automático para reducir el enorme número de combinaciones posibles.

La metodología integra datos procedentes de ocho grandes recursos biomédicos. Con esa información, los científicos construyeron 19 redes funcionales que relacionan miles de genes.

El sistema analiza, entre otros elementos:

• Las interacciones entre proteínas.
• Las funciones biológicas de los genes.
• Su relación con enfermedades y síntomas.
• Las rutas celulares en las que participan.
• La dependencia genética de las células tumorales.
• Las similitudes entre diferentes genes.
• La información disponible sobre alteraciones genéticas.

Las relaciones se transforman en representaciones matemáticas mediante técnicas conocidas como graph embeddings. Una de ellas es node2vec, un procedimiento que permite detectar conexiones y semejanzas difíciles de observar mediante un análisis tradicional.

De miles de candidatos a una lista manejable

La herramienta no afirma automáticamente que un gen pueda sustituir a otro. Lo que hace es ordenar los candidatos de acuerdo con la probabilidad de que desarrollen una función compensatoria.

Esta selección puede ahorrar una cantidad considerable de tiempo y recursos. Los laboratorios ya no tendrían que comprobar indiscriminadamente miles de posibles relaciones, sino concentrar los experimentos en los genes situados en las primeras posiciones.

El método se apoya también en NetAnalyzer, una herramienta creada anteriormente por el mismo grupo investigador para procesar redes biomédicas y ampliada ahora con nuevas técnicas de aprendizaje sobre grafos.

Resultados en tres enfermedades genéticas

Para comprobar el funcionamiento del sistema, los investigadores utilizaron enfermedades en las que la ciencia ya había demostrado la existencia de genes compensatorios.

La herramienta consiguió colocar entre sus principales candidatos las relaciones conocidas en tres patologías:

• Distrofia muscular de Duchenne.
• Atrofia muscular espinal.
• Beta-talasemia.

Este resultado demuestra que el modelo puede recuperar conexiones genéticas ya verificadas y respalda su utilización para proponer candidatos en enfermedades donde todavía no se conocen mecanismos compensatorios.

Sin embargo, los nuevos genes identificados deberán ser validados mediante experimentos biológicos antes de considerar cualquier posible aplicación clínica.

Una posible vía contra la resistencia del cáncer

La compensación genética también presenta una vertiente perjudicial. Las células tumorales pueden utilizar estos mecanismos para sobrevivir cuando un tratamiento bloquea uno de los genes necesarios para su crecimiento.

Otro gen puede asumir esa función y permitir que el tumor continúe desarrollándose a pesar del medicamento.

El estudio analiza relaciones de este tipo observadas en cáncer de mama y cáncer de próstata. Predecir qué genes pueden actuar como sustitutos podría ayudar a comprender por qué aparece la resistencia y facilitar el diseño de combinaciones terapéuticas que bloqueen ambas vías.

Esta aplicación también se encuentra en fase de investigación y no implica que exista ya un nuevo tratamiento disponible para pacientes.

¿Podrían activarse estos genes mediante medicamentos?

Una vez localizado y confirmado un gen compensatorio, el siguiente reto sería encontrar una forma segura de aumentar su actividad.

Los investigadores plantean como posibilidades futuras el uso de pequeñas moléculas o tecnologías basadas en ARN. Estas estrategias podrían estimular el gen de respaldo sin necesidad de modificar directamente el ADN mediante una terapia génica convencional.

No obstante, antes de llegar a ese punto será necesario validar los candidatos en células y tejidos, desarrollar estudios preclínicos y demostrar que la activación del gen no provoca efectos perjudiciales.

Las limitaciones de la herramienta

Los científicos señalan que la compensación genética puede cambiar dependiendo del tejido, el tipo celular y el contexto biológico. Un gen capaz de sustituir a otro en una célula concreta podría no hacerlo en un órgano diferente.

El modelo también depende de la información existente en las bases de datos. Los genes que han sido ampliamente estudiados aparecen mejor representados que aquellos sobre los que se dispone de pocos datos.

La incorporación futura de información sobre expresión genética en diferentes tejidos y de datos obtenidos a nivel de célula individual podría mejorar la precisión de las predicciones.

Una nueva herramienta para acelerar la investigación

La principal aportación de este método no es proporcionar diagnósticos ni tratamientos inmediatos, sino actuar como un filtro inteligente para orientar la investigación experimental.

La herramienta puede ayudar a seleccionar nuevas dianas, reducir costes y acortar el proceso inicial de búsqueda de mecanismos terapéuticos.

El trabajo, publicado en la revista científica Artificial Intelligence in Medicine, sitúa a la investigación malagueña en la exploración de una estrategia todavía poco aprovechada: utilizar los propios sistemas de compensación del genoma humano para encontrar oportunidades frente a enfermedades genéticas y tumores.