El grupo de Biología Computacional de Tecnun es un equipo multidisciplinar, con gran experiencia en el desarrollo de algoritmos de optimización, análisis estadístico, así como métodos basados en machine learning y deep learning, principalmente enfocados en cuestiones del ámbito de la salud humana a través de datos de alta resolución molecular (genómica, transcriptómica, proteómica, metabolómica, etc) y bases de datos biológicas (genómicas, farmacológicas, metabólicas, etc). Actualmente, estamos trabajando en las siguientes temáticas:

 Reprogramación metabólica en cáncer con el fin de identificar nuevas dianas terapéuticas y marcadores de respuesta.

 Integración de experimentos masivos de silenciamiento génico y fármacos en el marco de la oncología de precisión.

 Estudio del splicing alternativo en distintos tipos de cáncer: sus alteraciones, causas y efectos.

 Modelos predictivos de toxicidad de fármacos basados en características estructurales.

 Influencia de la microbiota intestinal en el ámbito de la salud y nutrición.

 Esquemas de compression específicos para diferentes datos ómicos. Miembros activos en el desarrollo del standard MPEG-G para la representación de datos genómicos. 

 Análisis de datos de ADN. Métodos para mejorar la identificación de variantes biológicas en germline y cancer.

 Inferencia de redes de regulación de genes para datos de RNA provenientes de secuenciación en bulk y single-cell.

 Caracterización de HERV (human endogenous retroviruses) en cancer y muestras de cerebro.

Durante estos años, hemos colaborado activamente con distintos centros de investigación y empresas. Los más relevantes son: CIMA, Clínica Universidad de Navarra, CIC BioGUNE, Biodonostia, FISABIO, Onkologikoa, Universidad de Granada, Celgene, Biobide, Universitat Politècnica de Catalonia, University of Illinois at Urbana-Champaign, Stanford University, y Universidad de la República (Uruguay).

Miembros del grupo

Últimos proyectos destacados

Proyecto SYNLETHAL
Nueva aproximación computacional para reducir la letalidad sintética en cáncer

Dos genes son letales sintéticos si la inactivación de cada uno de ellos por separado no compromete el desarrollo celular, pero la inactivación de ambos provoca la muerte celular. Este concepto es prometedor en la investigación del cáncer, puesto que abre nuevas posibilidades para desarrollar estrategias terapéuticas más selectivas y efectivas.  La búsqueda de letales sintéticos es compleja: una búsqueda exhaustiva de todas las posibles parejas de genes requiere más de 200 millones de experimentos de silenciamiento génico. Además, salvo en excepciones concretas, la letalidad sintética depende del contexto, es decir, dos genes pueden ser letales sintéticos en una línea celular, genes esenciales en otra y no expresarse en una tercera. Por ello, se hace necesario contextualizar el ámbito en el que se predice la letalidad sintética y desarrollar nuevas herramientas computacionales que aborden sistemáticamente esta cuestión.

En el marco del proyecto SYNLETHAL, se han desarrollado nuevos algoritmos que permiten predecir y explotar el concepto de letalidad sintética en cáncer. En primer lugar, se han mejorado notablemente los modelos de predicción teóricos basados en redes moleculares y genetic Minimal Cut Sets (gMCSs), concepto previamente desarrollado en el marco del proyecto METARGETS, el cual fue financiado en la convocatoria anterior de este programa investigación. En particular, en SYNLETHAL se optimizan las prestaciones de algoritmos anteriores, extendiendo su aplicación a modelos moleculares que integran redes metabólicas, regulatorias y de señalización. En segundo lugar, se presentan nuevos métodos empíricos para la predicción de letalidad sintética, utilizando información muy variada, tales como la función biológica y molecular de los genes implicados y la presencia de mutaciones mutuamente excluyentes. A su vez, se han aplicado nuevas técnicas de deep learning para la predicción de letalidad sintética y respuesta a fármacos, alcanzando resultados muy prometedores.

Los algoritmos desarrollados permiten comprender de una forma más global las predicciones de letalidad sintética e identificar nuevas vulnerabilidades genéticas y nutricionales en cáncer. En particular, se han identificado nuevas dianas terapéuticas y marcadores de respuesta en distintos tumores hematológicos, particularmente leucemia mieloide aguda, leucemia linfoblástica aguda y mieloma múltiple, obteniendo resultados experimentales in-vitro muy prometedores.

  Financiación:  

Proyecto PID2019-110344RB-I00 financiado por MICIU/AEI /10.13039/501100011033