Novel systems biology tools for the identification of biomarkers and drug targets in cancer research
- Francisco Javier Planes Pedreño Director
- Xabier Aguirre Ena Director
Defence university: Universidad de Navarra
Fecha de defensa: 01 July 2022
- Felipe Prósper Cardoso Chair
- Idoia Ochoa Álvarez Secretary
- Marcos Araúzo Bravo Committee member
- Miguel Ponce De Leon Capurro Committee member
- Jose Ignacio Martin Subero Committee member
Type: Thesis
Abstract
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.