MADRID, 7 Jul. (EUROPA PRESS) -
Por primera vez, investigadores de la Universidad de Tokio (Japón) han utilizado un tipo especial de inteligencia artificial (IA), denominada red neuronal bayesiana, para analizar un conjunto de datos sobre bacterias intestinales y encontrar relaciones que las herramientas analíticas actuales no podían identificar con fiabilidad.
Los resultados se publican en 'Briefings in Bioinformatics'. Se sabe que las bacterias intestinales son un factor clave en muchos problemas de salud. Sin embargo, su número y variedad son enormes, al igual que las formas en que interactúan con la química corporal y entre sí. Cabe tener en cuenta que el cuerpo humano se compone de entre 30 y 40 billones de células, pero tus intestinos contienen alrededor de 100 billones de bacterias intestinales.
Técnicamente, llevas contigo más células que no son tú que las que sí lo son. Algo para reflexionar. Y hablando de comida, estas bacterias intestinales son, por supuesto, responsables de algunos aspectos de la digestión, aunque lo que sorprende a algunos es cómo pueden relacionarse también con muchos otros aspectos de la salud humana.
Las bacterias son increíblemente variadas y también producen y modifican una cantidad asombrosa de sustancias químicas diferentes llamadas metabolitos. Estos actúan como mensajeros moleculares, permeando tu cuerpo, afectando todo, desde tu sistema inmunológico y metabolismo hasta tu función cerebral y estado de ánimo. Huelga decir que hay mucho que ganar al comprender las bacterias intestinales.
"El problema es que apenas estamos empezando a comprender qué bacterias producen qué metabolitos humanos y cómo cambian estas relaciones en diferentes enfermedades", puntualiza el investigador del proyecto Tung Dang, del laboratorio de Tsunoda, en el Departamento de Ciencias Biológicas. "Al mapear con precisión estas relaciones químicas entre bacterias, podríamos desarrollar tratamientos personalizados. Imaginemos poder cultivar una bacteria específica para producir metabolitos humanos beneficiosos o diseñar terapias dirigidas que modifiquen estos metabolitos para tratar enfermedades".
No obstante, existen innumerables y variadas bacterias y metabolitos, y por lo tanto, muchas más relaciones entre ellos. Recopilar datos sobre esto por sí solo es una tarea monumental, pero analizarlos para encontrar patrones interesantes que puedan revelar alguna función útil lo es aún más. Para lograrlo, Dang y su equipo decidieron explorar el uso de herramientas de inteligencia artificial (IA) de vanguardia.
"Nuestro sistema, VBayesMM, distingue automáticamente los factores clave que influyen significativamente en los metabolitos de un amplio espectro de microbios menos relevantes, a la vez que reconoce la incertidumbre sobre las relaciones previstas, en lugar de ofrecer respuestas demasiado confiadas pero potencialmente erróneas", incide Dang. "Al probarlo con datos reales de estudios sobre trastornos del sueño, obesidad y cáncer, nuestro enfoque superó consistentemente los métodos existentes e identificó familias bacterianas específicas que se alinean con procesos biológicos conocidos, lo que garantiza que descubre relaciones biológicas reales en lugar de patrones estadísticos sin sentido".
Dado que VBayesMM puede gestionar y comunicar problemas de incertidumbre, ofrece a los investigadores mayor confianza que una herramienta que no lo hace. Si bien el sistema está optimizado para gestionar grandes cargas de trabajo analítico, la extracción de conjuntos de datos tan grandes aún conlleva un alto coste computacional; sin embargo, con el tiempo, esto se convertirá en una barrera cada vez menor para quienes deseen utilizarlo. Otras limitaciones actuales incluyen que el sistema se beneficia de tener más datos sobre las bacterias intestinales que sobre los metabolitos que producen; cuando los datos sobre las bacterias son insuficientes, la precisión disminuye. Además, VBayesMM asume que los microbios actúan de forma independiente, pero en realidad, las bacterias intestinales interactúan de maneras increíblemente complejas.
"Planeamos trabajar con conjuntos de datos químicos más completos que capturen la gama completa de productos bacterianos, aunque esto plantea nuevos desafíos para determinar si las sustancias químicas provienen de bacterias, del cuerpo humano o de fuentes externas como la dieta", agrega Dang.
"También buscamos que VBayesMM sea más robusto al analizar diversas poblaciones de pacientes, incorporando relaciones de "árbol genealógico" bacteriano para realizar mejores predicciones y reduciendo aún más el tiempo de cálculo necesario para el análisis. Para las aplicaciones clínicas, el objetivo final es identificar dianas bacterianas específicas para tratamientos o intervenciones dietéticas que realmente puedan ayudar a los pacientes, pasando de la investigación básica a las aplicaciones médicas prácticas".
