Investigadores de Málaga (UMA e IBIMA) proponen PBEvoGen, una metodología que permite al investigador orientar el proceso computacional y reducir el tiempo de cálculo
Para comprender cómo funciona la vida, no basta con identificar los genes de un organismo, sino que es fundamental entender cómo interactúan entre sí. Estas interacciones forman Redes de Regulación Génica (GRN), auténticos mapas de instrucciones que controlan desde el desarrollo de un embrión hasta la respuesta a una enfermedad. Para comprender las redes y crear estos mapas, ofreciendo una respuesta al reto computacional que supone, investigadores de la Universidad de Málaga han desarrollado PBEvoGen, una metodología que supone una evolución crítica con respecto a sus antecesores.
La investigación, recientemente publicada en Computational Biology and Chemistry, ha sido liderada por Adrián Segura Ortiz, junto a Antonio Jesús Nebro, José García Nieto y José Francisco Aldana Montes, investigadores del Dpto. Lenguajes y Ciencias de la Computación y el Instituto de Tecnología e Ingeniería del Software (ITIS) de la Universidad de Málaga.
De la automatización a la intervención experta: la innovación de PBEvoGen
Herramientas previas como GENECI se centraron en buscar un consenso básico entre distintas técnicas de aprendizaje automático. Posteriormente, MO-GENECI dio un paso más al equilibrar automáticamente varios objetivos biológicos: “Sin embargo, ambos métodos operaban de forma ciega a la experiencia del investigador. La gran innovación de PBEvoGen es que introduce por primera vez un mecanismo de selección basado en preferencias, permitiendo que el experto humano actúe como un guía para el algoritmo”, explica Adrián Segura Ortiz, impulsor del trabajo.
De este modo, mediante la definición de puntos de referencia, el investigador puede indicar al sistema hacia qué regiones del espacio de búsqueda debe dirigirse, inyectando su conocimiento biológico previo directamente, en el proceso evolutivo de la red.
26 técnicas de vanguardia y 3 criterios fundamentales
Esta nueva metodología se basa en un sistema de ensamble formado por 26 técnicas de vanguardia que colaboran entre sí para alcanzar un consenso en la construcción de redes. El algoritmo evalúa las redes generadas bajo tres criterios fundamentales: la calidad, entendida como el acuerdo entre las distintas técnicas utilizadas; la distribución de grado, que busca que la estructura sea fiel a la realidad biológica; y la presencia de motivos estructurales o patrones funcionales conocidos en biología.
“PBEvoGen prioriza aquellas soluciones que no solo son óptimas desde el punto de vista numérico, sino que además se acercan a las expectativas biológicas definidas por el experto”, matiza Segura Ortiz.
Mayor precisión y eficiencia
La eficacia de esta propuesta se ha validado exhaustivamente utilizando un banco de pruebas de 43 redes biológicas. Los resultados demuestran que PBEvoGen supera a todos sus predecesores, mejorando la precisión en métricas clave de validación, y produciendo redes mucho más coherentes desde el punto de vista científico.
Además de mejorar la calidad de los resultados, el sistema también tiene un impacto directo en la eficiencia: “En redes de gran tamaño, el algoritmo alcanza el mismo nivel de optimización que los métodos tradicionales en la mitad de tiempo, reduciendo de días a horas el esfuerzo computacional” añade Segura Ortiz.
Software en abierto
Para facilitar su adopción por la comunidad científica, el software se ha publicado como un paquete de Python de código abierto denominado geneci. “Con PBEvoGen, la inferencia de redes genéticas ha dejado de ser una tarea puramente automatizada para convertirse en una colaboración inteligente entre el ordenador y el experto humano”, concluye el investigador.
De cara al futuro, la investigación proyecta el desarrollo de sistemas interactivos en tiempo real, donde el experto pueda ajustar sus preferencias mientras observa la evolución de la red, así como la integración de asistentes de inteligencia artificial que recomienden los mejores puntos de búsqueda basándose en experiencias previas.
Referencia bibliográfica:
Segura-Ortiz, A., Nebro, A. J., García-Nieto, J., & Aldana-Montes, J. F. (2025). Multi-objective consensus optimization for gene regulatory networks inference: A preference-based approach. Computational Biology and Chemistry, 108827.
https://doi.org/10.1016/j.compbiolchem.2025.108827
Etiquetas: ciencia • PBEvogen • redes geneticas • UMA
