Una investigación del Cima Universidad de Navarra ha desarrollado un nuevo método para el análisis de datos de expresión génica a través de la inteligencia artificial y el aprendizaje automático, llamado NetActivity. La técnica supone una novedad, pues permite estudiar diferencias entre funciones moleculares, en contraste con las herramientas ya existentes que estudian diferencias entre genes individuales
“Esta red neuronal está compuesta de capas que representan una función molecular concreta, lo que permite una interpretación más clara de los datos de expresión génica. Además, permite priorizar los genes biológicamente más relevantes para cada función, facilitando su posterior validación experimental”, explica el Dr. Carlos Ruiz Arenas, primer autor del trabajo e investigador postdoctoral del Cima.
Esta metodología define valores de actividad de las principales funciones moleculares a partir de los valores de expresión de genes individuales mediante una estructura de autoencoder, un tipo de red neuronal artificial que se utiliza para aprender representaciones eficientes de datos. “Se trata de un nuevo avance que da una visión más profunda para la comprensión de la actividad de los genes y sus procesos biológicos”, detalla el Dr. Mikel Hernáez, director del trabajo y líder del grupo de investigación de Machine Learning en Biomedicina del Cima Universidad de Navarra.
NetActivity ha sido entrenado para definir la actividad de más de 1.500 procesos biológicos y ha sido optimizado para medir y combinar la expresión de los genes. “Nuestro sistema permite identificar características biológicas como la velocidad de división celular. Además, supera a métodos ya existentes por consistencia e interpretabilidad, como GSVA”, afirma el Dr. Carlos Ruiz. Los resultados se han publicado en la revista científica Nucleic Acids Research.
Este nuevo sistema ha sido aplicado con éxito en un meta-análisis de la progresión del cáncer de próstata,identificando conjuntos de genes relacionados con la división celular, un elemento crucial para la progresión de la enfermedad. “En el caso del cáncer de próstata metastásico, se observaron cambios en conjuntos de genes asociados con la resistencia a fármacos, destacando la capacidad de NetActivity para revelar información relevante para entender y tratar la enfermedad”, apunta el Dr. Mikel Hernáez.
Este innovador enfoque ya se encuentra disponible públicamente en los repositorios Bioconductor y GitHub, ofreciendo nuevas posibilidades para la validación experimental de los resultados de la investigación científica y el análisis de datos en el campo de la biología molecular.
La investigación ha contado con financiación pública y privada del Ministerio de Ciencia, Innovación y Universidades a través de la Agencia Española para la Investigación, del Gobierno de Navarra a través de los fondos europeos Next Generation, de la Fundación Científica de la Asociación Española Contra el Cáncer y del programa de investigación médica del Departamento de Defensa de Estados Unidos, entre otras instituciones.
Imagen: Dr. Carlos Ruiz, Idoia Ochoa y Dr. Mikel Hernáez, del grupo de investigación Machine Learning en Biomedicina del Cima-CCUN
Referencia bibliográfica: NetActivity enhances transcriptional signals by combining gene expression into robust gene set activity scores through interpretable autoencoders – Nucleic Acids Research
La mejor actitud que podemos adoptar es la de trat...
The research team observed changes in head circumf...
AtCDF3 gene induced greater production of sugars a...
En nuestro post hablamos sobre este interesante tipo de célula del...
Many repetitive regions of the genome have been considered “junk DNA...
