Aplicación de algoritmos de machine learning en ingeniería metabólica para el diseño de terapias personalizadas

Abstract

La deficiencia de Glucosa-6-fosfato deshidrogenasa (G6PD) es de las enzimopatías más comunes a nivel mundial, y afecta la producción de NADPH en los glóbulos rojos, lo que conduce a un aumento del estrés oxidativo. Este estudio tiene como objetivo adaptar modelos metabólicos a escala genómica (GEMs) utilizando información específica de la enfermedad para proponer opciones terapéuticas efectivas y personalizadas. Se utilizó un GEM de glóbulo rojo con restricciones específicas de la enfermedad, se realizaron Análisis de Balance de Flujo (FBA), Análisis de Variabilidad de Flujo (FVA) y muestreo de flujo en estados saludables y deficientes, y se aplicaron técnicas de aprendizaje automático (Random Forest y Árboles de Decisión) sobre los datos de flujo procesados para identificar GEMs clave como posibles dianas terapéuticas. El modelo terapéutico seleccionado mostró una recuperación notable del equilibrio redox y del metabolismo energético en la deficiencia de G6PD; el consumo de peróxido de hidrógeno disminuyó, lo que sugiere una mejora en la desintoxicación de especies reactivas de oxígeno (ROS), mientras que la producción de ATP aumentó sustancialmente, indicando una restauración parcial del metabolismo energético y la viabilidad eritrocitaria. La producción de NADPH superó los niveles observados en la enfermedad e incluso sobrepasó ligeramente las condiciones saludables, destacando una restauración parcial de la vía de las pentosas fosfato y una mejora del potencial antioxidante. Estos cambios apuntan a una defensa redox reforzada y una mayor estabilidad metabólica bajo condiciones terapéuticas.