Desarrollo de una plataforma bioinformática para estudiar las interacciones de importancia biológicas con técnicas de inteligencia artificial

• Autores: Karina Beatriz Jimenes Vargas
• Directores de la Tesis: Cristian-Robert Munteanu (dir. tes.) , Eduardo Tejera Puente (dir. tes.)
• Lectura: En la Universidade da Coruña ( España ) en 2026
• Idioma: español
• Tribunal Calificador de la Tesis: Alfonso Rodríguez-Patón Aradas (presid.) , María Jesús Taboada Iglesias (secret.) , Juan R. Rabuñal (voc.)
• Enlaces
  • Tesis en acceso abierto en: RUC
• Resumen
  • español

    Las interacciones entre compuestos y sistemas biológicos pueden estudiarse a distintos niveles de complejidad, desde su relación con proteínas específicas hasta sus efectos globales en sistemas celulares. En este trabajo, estos niveles se analizan de manera independiente mediante enfoques in-silico configurando una estrategia que permite una comprensión más amplia y biológicamente relevante de la actividad de los compuestos y de sus posibles mecanismos de acción.

    En este contexto, se desarrolla una plataforma bioinformática basada en modelos de inteligencia artificial, orientada específicamente al análisis de interacciones compuesto–proteína. La plataforma permite estimar la probabilidad de interacción entre compuestos y proteínas humanas a partir de sus características estructurales, facilitando la identificación de proteínas relevantes y su vinculación con procesos biológicos específicos. En este sentido, los modelos implementados proporcionan un marco interpretativo que permite plantear posibles mecanismos de acción sobre cómo determinados compuestos, como los presentes en plantas del género Pelargonium, podrían ejercer efectos terapéuticos mediante la regulación de procesos biológicos asociados a mecanismos inflamatorios. Como complemento, el análisis se expande hacia las interacciones compuesto–línea celular, orientadas al cribado fenotípico de compuestos con actividad potencial frente a enfermedades como el cáncer gástrico. A diferencia del nivel molecular, este enfoque captura efectos fenotípicos globales que emergen de la interacción simultánea de múltiples rutas biológicas. En este contexto, los modelos se emplean como herramientas de filtrado a gran escala, permitiendo reducir de manera eficiente un espacio químico amplio hacia un subconjunto de compuestos con mayor probabilidad de inducir efectos biológicos relevantes. En conjunto, este trabajo no propone una integración directa de ambos niveles dentro de un mismo esquema de modelado, sino que establece una estrategia dual en la que cada enfoque aporta información específica y complementaria. Posibilitando así entender cómo los compuestos se comportan a nivel molecular y, por otro lado, identificar y priorizar aquellos que pueden tener un mayor potencial terapéutico en contextos biológicos más complejos. De este modo, los modelos propuestos representan una aproximación robusta para el análisis de bioactividad. Asimismo, este trabajo aporta un marco computacional basado en modelos predictivos y estrategias de consenso que permite abordar problemas de alta dimensionalidad, heterogeneidad de datos y escalabilidad en el cribado virtual, contribuyendo tanto a la interpretación biológica como a la priorización estratégica de candidatos en etapas tempranas del descubrimiento de fármacos.

  • English

    Interactions between compounds and biological systems can be studied at different levels of complexity, from their relationship with specific proteins to their global effects on cellular systems. In this work, these levels are analyzed independently using in-silico approaches, configuring a strategy that allows for a broader and more biologically relevant understanding of the activity of compounds and their potential mechanisms of action. In this context, a bioinformatics platform based on artificial intelligence models is developed, specifically oriented to the analysis of compound-protein interactions. The platform makes it possible to estimate the probability of interaction between compounds and human proteins based on their structural characteristics, facilitating the identification of relevant proteins and their link to specific biological processes. In this sense, the implemented models provide an interpretative framework that allows understanding how certain compounds, such as those found in plants of the genus Pelargonium, can carry out their therapeutic effects by regulating biological processes linked to inflammatory mechanisms. As a complement, the analysis expands to include compound-cell line interactions, aimed at the phenotypic screening of compounds with potential activity against diseases such as gastric cancer. Unlike the molecular level, this approach captures global phenotypic effects that emerge from the simultaneous interaction of multiple biological pathways. In this context, models are used as large-scale filtering tools, allowing for the efficient reduction of a broad chemical space to a subset of compounds with a higher probability of inducing relevant biological effects. Overall, this work does not propose a direct integration of both levels within a single modeling framework, but rather establishes a dual strategy in which each approach contributes specific and complementary information. This makes it possible to understand how compounds behave at the molecular level and, on the other hand, to identify and prioritize those that may have greater therapeutic potential in more complex biological contexts. Thus, the proposed models represent a robust approach for bioactivity analysis. Furthermore, this work provides a computational framework based on predictive models and consensus strategies that allows addressing problems of high dimensionality, data heterogeneity and scalability in virtual screening, contributing both to biological interpretation and to the strategic prioritization of candidates in early stages of drug discovery.

  • galego

    As interaccións entre compostos e sistemas biolóxicos poden estudarse a diferentes niveis de complexidade, desde a súa relación con proteínas específicas ata os seus efectos globais nos sistemas celulares. Neste traballo, estes niveis analízanse de forma independente mediante enfoques in silico, configurando unha estratexia que permite unha comprensión máis ampla e bioloxicamente relevante da actividade dos compostos e os seus posibles mecanismos de acción.

    Neste contexto, desenvolve unha plataforma bioinformática baseada en modelos de intelixencia artificial, orientada específicamente á análise de interaccións compostas–proteínas. A plataforma permite estimar a probabilidade de interacción entre compostos e proteínas humanas a partir das súas características estruturais, facilitando a identificación das proteínas relevantes e a súa vinculación con procesos biolóxicos específicos. Neste sentido, os implementados proporcionan un marco interpretativo que permite comprender cómo determinados modelos compostos, como os que se atopan nas plantas do xénero Pelargonium, poden levar a cabo os seus efectos terapéuticos mediante a regulación de procesos biolóxicos vinculados a mecanismos inflamatorios.

    Como complemento, a análise amplíase para incluír interaccións composto-liña celular, dirixidas á selección fenotípica de compostos con potencial actividade contra enfermidades como o cancro gástrico. A diferenza do nivel molecular, esta abordaxe captura os efectos fenotípicos globais que xorden da interacción simultánea de múltiples vías biolóxicas. Neste contexto, os modelos utilízanse como ferramentas de filtrado a grande escala, o que permite a redución eficiente dun amplo espazo químico a un subconxunto de compostos cunha maior probabilidade de inducir efectos biolóxicos relevantes.

    En xeral, este traballo non propón unha integración directa de ambos os niveis dentro dun único marco de modelado, senón que establece unha estratexia dual na que cada abordaxe achega información específica e complementaria. Isto permite comprender como se comportan os compostos a nivel molecular e, por outra banda, identificar e priorizar aqueles que poden ter un maior potencial terapéutico en contextos biolóxicos máis complexos. Así, os modelos propostos representan unha abordaxe robusta para a análise da bioactividade. Ademais, este traballo proporciona un marco computacional baseado en modelos preditivos e estratexias de consenso que permite abordar problemas de alta dimensionalidade, heteroxeneidade de datos e escalabilidade no cribado virtual, contribuíndo tanto á interpretación biolóxica como á priorización estratéxica de candidatos en etapas temperás do descubrimento de fármacos.