Algoritmo diseñado para "desmitificar" a las redes biológicas complejas
19 de julio de 2021| Historia original Penn State
Desde reacciones bioquímicas que producen distintos tipos de cáncer, hasta los memes que se propagan viralmente a través de las redes sociales, las acciones simples pueden generar comportamientos complejos. Sin embargo, para los investigadores que intentan comprender estos comportamientos emergentes, la complejidad puede sobrecargar los métodos computacionales actuales.
Ahora, un equipo de investigadores ha desarrollado un nuevo algoritmo más efectivo para analizar modelos de sistemas biológicos, lo que a su vez permite un nuevo camino para comprender los circuitos de toma de decisiones que componen estos sistemas. Los investigadores agregan que el algoritmo ayudará a los científicos a estudiar cómo las acciones relativamente simples conducen a comportamientos complejos, como el crecimiento del cáncer y los patrones de votación.
El marco de modelado consiste en redes booleanas, que son una colección de nodos que pueden estar encendidos o apagados, dijo Jordan Rozum, candidato a doctorado en física en Penn State. Por ejemplo, una red booleana podría ser una red de genes que interactúan y que están activados (expresados) o desactivados en una célula.
“Las redes booleanas son una buena manera de capturar la esencia de un sistema”, dijo Rozum. “Es interesante que estos comportamientos muy ricos puedan surgir simplemente de acoplar pequeños interruptores de encendido y apagado: un interruptor se alterna y luego alterna otro interruptor y eso puede conducir a una gran cascada de efectos que luego se retroalimenta en el interruptor original. Y podemos obtener comportamientos complejos realmente interesantes a partir de los acoplamientos simples”.
“Los modelos booleanos describen cómo se propaga la información a través de la red", explica Réka Albert, profesora distinguida de física y biología en el Penn State Eberly College of Sciencey afiliada al Instituto de Ciencias Computacionales y de Datos. Eventualmente, los estados de encendido / apagado de los nodos caen en patrones repetitivos, llamados atractores, que corresponden a los comportamientos del sistema estables a largo plazo, según los investigadores, que informan sus hallazgos en la edición actual de Science Advances.
A pesar de que estos sistemas se basan en acciones simples, la complejidad puede escalar dramáticamente a medida que se agregan nodos al sistema, especialmente en el caso de que los eventos en el sistema no sean sincrónicos. Un modelo de red booleano típico de un proceso biológico con unas pocas docenas de nodos, por ejemplo, tiene decenas de miles de millones de estados, según los investigadores. En el caso de un genoma, estos modelos pueden tener miles de nodos, lo que resulta en más estados que átomos en el universo observable.
Los investigadores utilizan dos transformaciones, la paridad y la inversión de tiempo, para hacer que el análisis de las redes booleanas sea más eficiente. La transformación de paridad ofrece una imagen especular de la red, conmutando los nodos que están encendidos, a apagados y viceversa, lo que ayuda a identificar qué subredes tienen combinaciones de valores de encendido y apagado que pueden sostenerse en el tiempo. La inversión de tiempo ejecuta la dinámica de la red hacia atrás, sondeando qué estados pueden preceder a un estado de entrada inicial.
El equipo probó sus métodos en una colección de redes booleanas sintéticas llamadas redes booleanas aleatorias.Éstas se han utilizado durante más de 50 años como una forma de modelar cómo la regulación génica determina el destino de una célula. La técnica permitió al equipo encontrar el número de atractores en estas redes para más de 16.000 genes, que, según los investigadores, son los de mayor tamaño y nunca habían sido analizados con tanto detalle.
Según el equipo, la técnica podría ayudar a los investigadores médicos.
“Por ejemplo, es posible que desee que una célula cancerosa sufra apoptosis (muerte celular programada), por lo que desea poder hacer que el sistema elija las decisiones que conducen hacia ese resultado deseado”, manifestó Rozum. “Entonces, al estudiar en qué parte de la red se toman estas decisiones, puede averiguar qué debe hacer para que el sistema elija esas opciones".
Existen otras posibilidades para utilizar los métodos de estudio de cuestiones relacionadas con las ciencias sociales y la tecnología de la información.
“La propagación de la información también sería una aplicación interesante”, dijo Albert. “Por ejemplo, hay modelos que describen una sociedad en la que las personas tienen opiniones binarias sobre un asunto. En el modelo las personas interactúan entre sí, formando un consenso local. Nuestros métodos podrían usarse para mapear el repertorio de grupos de consenso que son posibles, incluido un consenso global”.
Añadió que los usos podrían extenderse a cualquier área donde los investigadores estén tratando de encontrar formas de eliminar comportamientos patológicos, o conducir al sistema a comportamientos más normales.
“Para hacer esto, la teoría existía, las metodologías existían, pero el gasto computacional era un factor limitante”, dijo Albert. “Con este algoritmo, eso ha sido eliminado en gran medida”.
Los investigadores han desarrollado una biblioteca de software disponible públicamente y los algoritmos ya se han utilizado en estudios realizados por su grupo, según Albert.
Los cálculos para el estudio se realizaron utilizando la supercomputadora Roar de PennState.
Referencias
Este artículo ha sido republicado a partir de los siguientes materiales. Nota: el material puede haber sido editado por su longitud y contenido. Para obtener más información, ver la fuente citada.
