IA

Esta tesis pretende contribuir a la priorización de genes y variantes causantes de enermedad mediante la predicción de nuevas asociaciones gen-fenotipo y variante-fenotipo con el uso de técnicas de Inteligencia Artificial (IA). Por otro lado, la tesis abordará el estudio del fenómeno de la epistasis en enfermedades neurodegenerativas. En enfoque de IA se basará en técnicas de Machine Learning (ML) y en la caracterización de los predictores más adecuados para cada enfermedad diana; predictores basados en bases de datos ómicas disponibles para la comunidad científica como GTEx, Ensembl casos y controles bajo la gestión de la empresa colaboradora y bases de datos de acceso restringido a las que el director de la tesis tiene acceso como IPDGC o GenomicsEngland-GeCIP of Neurology. La principal contribución de esta tesis pretende ser contribuir a la mejora en el ratio de éxito del diagnóstico genético y, por consiguiente, el aumento en la calidad del servicio prestado por la empresa colaboradora (NIMGenetics Genómica y Medicina S.L.). Por otro lado, la tesis abordará el estudio del fenómeno de la epistasis en enfermedades neurodegenerativas. La epistasis es la interacción o influencia entre variantes de diferentes genes a la hora de expresar un determinado fenotipo. Mediante los GWAS (Genome Wide Association Study) se asocian variantes genéticas a un determinado fenotipo o enfermedad, este tipo de estudio es una simplificación de lo que ocurre en el contexto genético teniendo en cuenta las variantes de forma individual. Pero, sabemos que los genes interaccionan y es necesario estudiar el fenómeno de la espitasis para tener un mejor conocimiento de la implicación de una variante en la relación genotipo-fenotipo y para mejorar los PRS (Polygenic Risk Score), utilizados para clasificar el riesgo de un individuo a padecer una enfermedad compleja. Es necesario el desarrollo de herramientas que estandaricen, faciliten y ayuden a la interpretación del análisis de epistasis.