La IA ayuda a conocer datos ocultos de las bacterias intestinales

La integración de diversas tecnologías ómicas (metagenómica, transcriptómica y metabolómica) van enriqueciendo, con el paso del tiempo, la comprensión de las interacciones dinámicas entre el huésped y su microbioma en la salud y la enfermedad humanas. Partiendo de que los intestinos contienen alrededor de 100 billones de bacterias intestinales, gracias a estas técnicas, se sabe que los metabolitos intestinales son producidos o influenciados principalmente por enzimas microbianas, que metabolizan elementos dietéticos y sustancias secretadas por el huésped, mientras los metabolitos microbianos clave, como los ácidos grasos de cadena corta (AGCC) y los ácidos biliares, sirven como indicadores vitales de la fermentación microbiana y los procesos metabólico.

Sin embargo, la investigación sigue su curso y ahora, por primera vez, investigadores de la Universidad de Tokio (Japón) han utilizado un tipo especial de inteligencia artificial, 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, según se expone en la revista 'Briefings in Bioinformatics'. 

"Se parte de una situación en la que apenas estamos empezando a comprender qué bacterias producen qué metabolitos humanos y cómo cambian estas relaciones en diferentes enfermedades", afirmó 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". Al respecto, "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", agregó dicho científico.

Según estos investigadores, el sistema VBayesMM puede gestionar y comunicar problemas de incertidumbre, de ahí que ofrece a los investigadores mayor confianza que una herramienta que no lo hace.

En cuanto a sus limitaciones, 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", afirmó 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", concluyó.