La forma en que un gen afecta o se relaciona con otros hace que emerjan las funciones biológicas. Por eso, es transcendental saber la manera en que se da esta interacción, a fin de desarrollar drogas y terapias de enfermedades originadas por la desregulación génica, como el cáncer.

Para ello, por lo general, se efectúan dos tipos de procedimientos. Por un lado, los ensayos experimentales realizados por los biólogos. Consisten en inhibir un gen –a fin de bloquear su expresión– y así detectar sus interacciones causales con el resto de genes. Si bien es exacto, el gran inconveniente es que implica mucho tiempo y dinero. De otro lado, tenemos los experimentos observacionales, donde se aprecia cómo funcionan los genes y se les saca una instantánea periódicamente.

Sin embargo, el Grupo de Inteligencia Artificial IA-PUCP ha desarrollado un nuevo e inédito método: aplicar técnicas de IA en la predicción de interacciones causales gen-gen. “Es la primera investigación, a nivel mundial, que aborda el problema de causalidad en redes génicas con machine learning”, comenta el Dr. Edwin Villanueva, investigador principal de este  proyecto.

Interacción predicha

El Instituto de Genómica Funcional de la Universidad de Regensburg, ubicado en Alemania, se dedica a buscar terapias celulares. Villanueva, quien realizaba allí su posdoctorado, se preguntaba junto con sus colegas alemanes si sería posible acelerar el estudio de causalidad en redes génicas con machine learning.

Villanueva se contactó con el director del Grupo IA-PUCP, el Dr. César Beltrán. Ambos redactaron el proyecto y lo enviaron a InnóvatePerú, donde obtuvieron la Beca de Repatriación de Investigadores Peruanos, que permitió a Villanueva regresar a nuestro país. “La incorporación de gente con experiencia beneficia no solo a la universidad a nivel científico, sino también a nuestros alumnos”, enfatiza el Dr. Beltrán, coordinador del proyecto.

En diciembre del 2017 empezó el estudio en la PUCP. La data utilizada para entrenar al algoritmo fue la obtenida en el laboratorio del instituto alemán, donde inhibieron 23 genes y obtuvieron valores observacionales. “La idea era hacer un sistema que pueda decir si interactúan esos genes o no”, comenta Villanueva. Si el sistema aprendía bien, podría correr sobre los 25 mil genes que tenemos y más de un millón de pares de genes. Estaban consiguiendo armar una herramienta computacional capaz de inferir la interacción génica.

Resultados precisos

El avance de la investigación no hubiera sido posible sin la participación de la consultora, la Dra. Soledad Espezúa; los asistentes de investigación Robert Aduviri y Alexandra Espichan;  además de los tesistas Sergio del Río, José Chu y David Ascencios. “Como universidad, tenemos la responsabilidad de formar alumnos que no solo acaten órdenes en un empleo, sino que propongan soluciones”, sostiene Beltrán. El Dr. Villanueva, investigador principal del proyecto, recuerda que una vez viajó a Alemania con Aduviri para reunirse con los miembros de Regensburg. “¿Y él donde cursa su doctorado?”, le consultaron al docente. “¡Y en ese momento era alumno de pregrado!”, dice Villanueva.

Después de una búsqueda exhaustiva de modelos de machine learning que se adapten a la investigación, se consiguió un resultado satisfactorio. “Hemos llegado a un 70% de precisión”, comenta Villanueva. Así se armó un predictor, que permite ingresar cualquier par de genes y ver sus interacciones.

Este método de inteligencia artificial no va a sustituir a las inhibiciones –al menos de momento– pero sí será de gran ayuda para que los investigadores tengan una lista más acotada de genes que tienen que probar en sus experimentos. Asimismo, contribuirá al desarrollo de drogas a nivel celular. Por último, la pericia de obtener causalidades puede extrapolarse a otras áreas, como un predictor de cómo funciona la actividad cerebral y otras partes del cuerpo.