Una de las estrategias que se aplican en el estudio del funcionamiento de un sistema biológico –ya sea una sencilla célula, el conjunto de órganos que forma un organismo o incluso un grupo de especies de un ecosistema– consiste en representarlo bajo la forma de una red compleja compuesta por diversas variables interconectadas entre sí.
De este modo, es posible comparar un tejido sano con uno enfermo, descubrir qué es distinto entre esas dos redes y en qué variables es recomendable intervenir para restablecer el equilibrio del sistema, por ejemplo.
Pero esta comparación requiere de herramientas computacionales capaces de evaluar simultáneamente millones de datos, en general obtenidos mediante análisis genómicos (secuenciación de genes), transcriptómicos (el modo de expresión de esos genes), proteómicos (la identificación y la cuantificación de las proteínas resultantes de la expresión génica) y metabolómicos (la identificación y la cuantificación de los metabolitos resultantes de los procesos celulares).
En el marco de un proyecto que contó con el apoyo de la Fundación de Apoyo a la Investigación Científica del Estado de São Paulo – FAPESP y de Microsoft Research, investigadores de la Universidad de São Paulo (USP), en Brasil, desarrollaron un nuevo software –llamado BioNetStat– que permite analizar más de dos redes complejas al mismo tiempo y determinar así patrones de relevancia biológica.
Según los autores del proyecto, esta herramienta puede tener diversas aplicaciones que van mucho más allá de las Ciencias Biológicas. Entre los ejemplos de las mismas se encuentran el estudio del mecanismo de las enfermedades y de la fisiología de plantas y también el análisis estructural de metrópolis con base en datos censuales.
Este trabajo, desarrollado por científicos de la USP vinculados al Instituto de Biociencias (IB-USP) y al Instituto de Matemática y Estadística (IME-USP) de dicha universidad, aparece descrito en un artículo publicado en la revista Frontiers in Genetics.
“La mayoría de los programas existentes permite efectuar la comparación de dos redes complejas: la expresión génica en el tejido canceroso y en el no canceroso, por ejemplo. En tanto, BioNetStat permite observar, mediante métodos estadísticos, diez redes al mismo tiempo y determinar que las redes 1 y 5 son distintas entre sí y las demás son todas iguales, por ejemplo”, declaró Marcos Silveira Buckeridge, docente del IB-USP y coordinador del proyecto.

 
Tal como explicó el investigador, el análisis se basa en parámetros de la teoría de redes complejas conocidos como centralidades, que miden la importancia de cada una de las variables (también denominadas “nodos”) y determinan su posición en la jerarquía del sistema.“Existen varios tipos de centralidades, de acuerdo con el ángulo desde el cual se observa la red. Las más conocidas son la centralidad de grado [degree], de intermediación [betweenness] y de cercanía [closeness]”, dijo.

 
La centralidad de grado se calcula según la cantidad de correlaciones que un nodo exhibe. Cuanto mayor es la cantidad de uniones con otros nodos de la red, mayor es la centralidad de grado de una variable. Una vez determinado el nodo central (aquel que posee más conexiones), es posible determinar cuál es el segundo nodo en la jerarquía (aquel que efectúa la conexión entre el nodo central y los restantes), es decir, el que tiene la mayor centralidad de intermediación. En tanto, la centralidad de cercanía indica cuán próximos están los nodos en una red.
En uno de los experimentos realizados para validar esta herramienta, los científicos utilizaron el BioNetStat para reanalizar datos de una investigación anterior del grupo en la cual se comparó el metabolismo del sorgo (Sorghum bicolor) –el quinto cereal en consumo en el mundo– en tres situaciones: normal (control), seca y seca con alta concentración de dióxido de carbono (CO2). El objetivo de ese estudio anterior consistió en evaluar los posibles impactos de los cambios climáticos en la especie.
Con el nuevo software, se compararon las redes metabolómicas de cinco órganos de la planta: hojas, culmo, raíces, raíces aéreas y granos.
“Gracias a este programa, descubrimos que un compuesto que había pasado desapercibido en el trabajo anterior –el α-cetoglutarato [AKG]– exhibe una alta centralidad de grado y, con base en ello, empezamos a formular una serie de nuevas hipótesis”, comentó Silveira Buckeridge.
En otro experimento de validación de la herramienta, los científicos compararon datos genómicos de cuatro tipos distintos de tumores cerebrales –astrocitomas, oligodendrogliomas, oligoastrocitomas y glioblastomas– disponibles en un banco público conocido como The Cancer Genome Atlas (TCGA).
“Esos cuatro tipos de tumores poseen distintos grados de agresividad, y con el software logramos detectar a los promotores de genes con mayor centralidad de grado. Esto ayuda a determinar genes claves para la evaluación de la agresividad de un tumor, por ejemplo”, dijo el investigador.
Según Silveira Buckeridge, este grupo procura la colaboración de investigadores que trabajan con técnicas de inteligencia artificial como el aprendizaje de máquinas, lo que permitiría emplear el BioNetStat para realizar modelados predictivos.
“Esto sería interesante para hacer ingeniería de plantas, estudios epidemiológicos de enfermedades como el dengue y el zika, desarrollo de fármacos e incluso planificación urbana. Permite descubrir qué variable tiene más impacto sobre la calidad de vida de la población de una ciudad y cuál será el resultado si se efectúa una intervención en esa variable, por ejemplo”, dijo el investigador.
Actualmente, los científicos están trabajando en el perfeccionamiento del software para dotarlo de una mayor rapidez con miras a hacer factible el análisis de una cantidad mayor aún de redes. Un segundo programa computacional en desarrollo permitirá analizar simultáneamente, según Silveira Buckeridge, distintos niveles de organización en las diversas redes que están comparándose.
“En el caso de un sistema biológico, sería posible estudiar al mismo tiempo las redes de transcriptómica, proteómica y metabolómica en distintas condiciones y evaluar de qué manera se relaciona todo eso con la fisiología”, comentó el investigador.
Para Silveira Buckeridge, la forma más común de observar fenómenos relacionados con sistemas complejos –ya sea en economía, en política o en biología– aún consiste en enfocarse en una única variable considerada clave. “Si gradualmente vamos logrando cambiar esa cultura, quizá podamos resolver los problemas en forma más eficiente y con menos consecuencias no previstas”, dijo. (Fuente: Agencia FAPESP / DICYT)