El arribo y desarrollo de las tecnologías de alto rendimiento abren una ventana para explorar la actividad celular, desde su genoma hasta los perfiles de expresión genética, proteica y metabólica de forma masiva. La interpretación de estos datos permite explorar cómo los organismos vivos modulan su respuesta a distintas escalas biológicas y descubrir los principios que los gobiernan.
Osbaldo Resendis-Antonio, investigador de la Red de Apoyo a la Investigación (RAI-UNAM), del Instituto Nacional de Medicina Genómica (INMEGEN), e integrante del Centro de Ciencias de la Complejidad (C3) de la UNAM, expuso lo anterior y reconoció:
“No obstante el interés en la propuesta, ese objetivo no es fácil. Junto con el avance de esas tecnologías existe una necesidad imperante de desarrollar nuevos esquemas conceptuales, capaces de integrar los datos y generar hipótesis sobre los mecanismos que gobiernan a los sistemas vivos. Ahí confluyen las ciencias de la complejidad, es decir la interdisciplinariedad. La implementación de sus métodos indudablemente contribuye con proyectos para entender problemas en áreas de las ciencias biomédicas y con estrategias para el estudio de enfermedades complejas”.
En el Seminario de Biología de Sistemas, del ciclo de conferencias Enfoques contemporáneos de la Biología y la Ciencia de la Complejidad, organizada por el C3, el experto abordó el tema Metabolismo en cáncer y microbioma: una perspectiva de la biología de sistemas.
Resendis-Antonio informó que esa disciplina (biología de sistemas) busca fusionar bases de datos en el área de biología con modelos computacionales, mediante áreas clásicas (como física y bioinformática) y nuevas tendencias en tecnologías de la información, como aprendizaje de máquina (machine learning).
En general, los paradigmas de la biología de sistemas, detalló, tienen como propósito construir modelos matemáticos/computacionales que permitan tres objetivos: unir, interpretar e integrar las grandes cantidades de datos biológicos de un organismo, como su genoma, transcriptoma (medición de los niveles de expresión de todos los genes en el genoma de un organismo), proteoma y metaboloma; modelar cuantitativamente redes biológicas y generar hipótesis sobre sus principios de organización, y finalmente evaluar estas hipótesis experimentalmente.
Es decir, sus estrategias versan sobre cómo incorporar información biológica alrededor de un organismo (verbigracia un tejido humano, una línea celular de cáncer o una bacteria en la microbiota) y desarrollar modelos con capacidades predictivas de su fenotipo (rasgos observables).
