Priorización de genes y búsqueda de dianas terapéuticas por medio de herramientas informáticas y técnicas de aprendizaje automatizado en cáncer de mama

  1. López Cortés, Andrés
Dirigida por:
  1. A. Pazos Codirector/a
  2. Humberto González Díaz Codirector
  3. Stephen Jones Barigye Codirector/a

Universidad de defensa: Universidade da Coruña

Fecha de defensa: 20 de mayo de 2021

Tribunal:
  1. Julián Dorado Presidente/a
  2. Enrique Onieva Caracuel Secretario
  3. Sonia Arrasate Gil Vocal

Tipo: Tesis

Teseo: 662573 DIALNET lock_openRUC editor

Resumen

El cáncer de mama (CM) es la principal causa de muerte relacionada a neoplasias en mujeres y es el tipo de cáncer más diagnosticado a nivel mundial. CM es una enfermedad heterogénea en donde están envueltos diversos factores como alteraciones genómicas, desregulación de la expresión de proteínas, alteración de cascadas genéticas, desregulación hormonal, determinantes ambientales y etnicidad. A pesar de los grandes avances tecnológicos y científicos en los últimos años, la comprensión de los procesos moleculares, la identificación de nuevas dianas terapéuticas y la predicción de proteínas envueltas inmunoterapia, metástasis, y unión al ARN es indispensable para el desarrollo de fármacos y la aplicación de la medicina de precisión en la práctica clínica. La tesis aquí propuesta plantea el desarrollo de una estrategia consenso altamente eficiente en el reconocimiento de genes y proteínas asociadas al CM; la validación oncológica de dichos genes y proteínas priorizadas mediante la estrategia OncoOmics que consistió en el análisis de bases de datos experimentales de alta relevancia a nivel mundial; la identificación de mutaciones oncogénicas y fármacos indispensables para el desarrollo y aplicación de la medicina de precisión; y la predicción de proteínas de CM asociadas a inmunoterapia, metástasis y unión al ARN mediante diversas herramientas informáticas y métodos de inteligencia artificial. Todos los resultados se publicaron en revistas internacionales de importante factor de impacto.