Un equipo multidisciplinar de científicos, liderado por la Universidad de Oviedo, ha investigado los principales cuellos de botella que han impedido tradicionalmente el uso y el éxito de las técnicas de expresión genética en medicina personalizada. Estos estudios han sido publicados por la revistas Journal of Computational Biology y Journal of Biomedical Informatics. Los resultados son fruto del trabajo conjunto de investigadores del grupo de Problemas Inversos del Departamento de Matemáticas de la Universidad de Oviedo y los equipos del doctor Steve Sonis, de la Universidad de Harvard y del Brigham and Women Hospital de Boston, y del doctor Leorey Saligan, del National Institute of Nursing Research (NIH) de Washington.

Juan Luis Fernández Martínez, profesor del grupo de Problemas Inversos de la institución académica asturiana explica que los microarreglos, también conocidos como  microarrays, son chips de ADN que se utilizan para medir la expresión de diferentes genes en células sanas y células que están desarrollando ciertas patologías. "El interés de estos chips es el análisis de lo que se denomina el transcriptoma, es decir de los genes que pueden activarse o reprimirse en distintas condiciones, y traducirse o no en las proteínas que codifican", comenta. Dichos genes forman parte de lo que se conoce como pathways o vías genéticas, que poseen una función biológica, que en ocasiones se desconoce.

 "Lo que hemos demostrado es que las técnicas de preprocesado utilizadas falsifican en parte las vías genéticas implicadas en el desarrollo de las enfermedades, y que trabajando con datos brutos y los algoritmos adecuados desarrollados a tal efecto, los resultados mejoran notablemente", añade este profesor. Así se ha mostrado en enfermos de cáncer de próstata que desarrollan síndrome de fatiga crónica al ser tratados con radioterapia. "Este hallazgo posee grandes  implicaciones prácticas, dado que explicaría en parte el fracaso en el diseño de muchos medicamentos en fase clínica, al tener por objetivo rutas genéticas erróneas", indica el investigador de la Universidad de Oviedo.

Selección de genes

Este mismo grupo de investigación acaba de analizar la robustez y fiabilidad de las diferentes técnicas de selección de los genes implicados en la caracterización de fenotipos, mostrando que la mayor fuente de error proviene de una mala catalogación de las muestras por parte de los expertos médicos. En este trabajo y en otros que están en curso de publicación se muestra la aplicación de dichas metodologías al estudio de enfermedades raras, neurodegenerativas y diferentes tipos de cáncer. "Actualmente estamos procesando los resultados obtenidos en el caso del Alzheimer y sus diferencias y similitudes con el deterioro cognitivo leve, la enfermedad de Parkinson, ELA, la esclerosis múltiple y un amplio grupo de distrofias musculares, analizando las vías genéticas implicadas y la posible presencia de medicamentos huérfanos", comenta.

"También realizaremos el estudio de las principales enfermedades neurodegenerativas del consorcio europeo para el estudio de este tipo de patologías. En el caso de las enfermedades raras el principal obstáculo es la ausencia de datos en muchas de ellas, por lo cual creemos que hay que empoderar a las asociaciones de pacientes. FINDACURE en el Reino Unido es un claro ejemplo", añade. Finalmente en el caso del cáncer los investigadores de la Universidad de Oviedo están estudiando los tumores que poseen un mayor impacto en la población: pulmón, mama, próstata o colon, caracterizando los mecanismos que intervienen en los procesos de metástasis para su diagnóstico precoz. "Todas estas bases de datos genéticas son una gran mina de la cual se puede obtener información valiosa para el ámbito hospitalario. No es la medicina del futuro, es el presente, y dentro de poco será el pasado", concluye Juan Luis Fernández Martínez.

Referencia:

• Impact of Microarray Preprocessing Techniques in Unraveling Biological Pathways. J Comput Biol. 2016 Aug https://www.ncbi.nlm.nih.gov/pubmed/27494192.
• Sensitivity analysis of gene ranking methods in phenotype prediction. Journal of Biomedical Informatics, Octubre 2016. https://www.ncbi.nlm.nih.gov/pubmed/27793724