Programación en Python dunha ferramenta de modelado de redes de sinalización celular: SELDOMpy
| Data de defensa | 12/09/2023 |
| Titulación | Grao en Enxeñaría en Electrónica Industrial e Automática |
| Centro | Escola de Enxeñaría Industrial |
| Dirección |
Titoría: Alejandro Fernández Villaverde Cotitoría: David Saque Henriques |
| Tribunal |
Secretaría: Pablo Izquierdo Belmonte Vogalía: Fernando Machado Domínguez Presidencia: Andres Augusto Nogueiras Meléndez |
| Resumo | En organismos complexos, as células diferéncianse e multiplícanse formando tecidos e órganos. As decisións de replicarse, diferenciarse ou morrer tómanse en función dos sinais presentes no seu contorno. Estas decisións requiren dunha extensa rede de sensores e interruptores moleculares, específicos para cada tipo de célula. Os fracasos na detección ou procesamento de información externa (a miúdo impulsados por mutacións) poden ter consecuencias dramáticas, levando a unha división incontrolada (cancro) ou migración non desexada (metástase). Predicir e controlar a resposta de diferentes liñas celulares expostas a moléculas clave é fundamental para desenvolver novas intervencións terapéuticas. Nos últimos anos, os avances nas técnicas experimentais permiten cultivar moitos tipos de liñas celulares humanas nunha placa de Petri. Os avances en bioloxía molecular permítenos medir a súa resposta a perturbacións externas, permitindo así a creación de modelos matemáticos destes sistemas. Debido a que a nosa capacidade de perturbar e medir estes sistemas aínda é limitada, hai unha gran incerteza sobre como se conectan estas redes. Polo tanto, a construción de redes de sinalización e regulación de xenes a partir de datos experimentais aínda é bastante complicada. Un xeito de tratar a incerteza do modelo é o uso de conxuntos de modelos ou ensembles. Esta técnica é moi popular na comunidade de aprendizaxe automático (machine learning) e utilízase habitualmente para a predición climática. Recentemente propúxose un método para inferir redes de sinalización e regulación a partir de datos experimentais mediante conxuntos de modelos. A técnica, chamada SELDOM, recibiu unha boa cantidade de atención na literatura científica recente. Non obstante, SELDOM non se desenvolveu como unha ferramenta fácil de usar e actualmente require dun esforzo substancial para adaptalo a unha aplicación específica. Esta situación está a limitar o seu uso por parte dun público máis amplo. Polo tanto, a creación dunha ferramenta fácil de usar, seguindo os principios de enxeñaría de software, sería sen dúbida de interese para a comunidade de bioloxía computacional. Por iso considérase interesante a aplicación dos coñecementos en Python adquiridos ao longo do grao para a programación dunha ferramenta que permita executar de maneira sinxela o algoritmo de SELDOM, que actualmente só está dispoñible nun programa de R, pouco intuitivo, que se utilizará como base do traballo. |