Aproximación a la medicina personalizada mediante el desarrollo de nuevas metodologías en inteligencia artificial

Abstract

Los últimos años han visto florecer y consolidarse a un extenso catálogo de metodologías experimentales, las cuales han dado lugar a vastas cantidades de información biológica. La extracción de conocimiento de esta enorme cantidad de datos representa a día de hoy un reto. La Bioinformática constituye, por tanto, una herramienta imprescindible para entender los complejos procesos que guían los entresijos de la maquinaria celular. En esta memoria se presentan metodologías de Inteligencia Artificial para adquirir conocimiento sobre procesos de regulación génica a partir de datos biológicos heterogéneos, con el fin de contribuir al avance de la Medicina Personalizada. Las metodologías presentadas abarcan tres ámbitos: extracción de conocimiento de redes biológicas heterogéneas, búsqueda de elementos y módulos reguladores en el genoma y análisis de entidades biológicas de renovado interés: los ARN largos no codificantes. En primer lugar, se propone una metodología general para la priorización en redes heterogéneas que puede ser aplicada a un número arbitrario de dominios biológicos gracias a un modelo de abstracción. Esta metodología se aplica a la búsqueda de nuevas aplicaciones para medicamentos comercializados. Posteriormente, se acomete la búsqueda de elementos reguladores de la expresión de los genes. Se proponen una medida difusa de influencia de mutaciones en lugares de interés regulador como los lugares de unión de factores de transcripción, y una metodología difusa de minería de itemsets frecuentes para la búsqueda de módulos reguladores. Por último, se buscan elementos reguladores en los ARN largos no codificantes mediante análisis computacionales que integran características propias del ARN: su estructura secundaria y su dirección de transcripción.