http://hdl.handle.net/10854/180758 2026-04-25T16:44:40Z http://hdl.handle.net/10854/180730 Bioinformatics Strategies for Molecular Characterization and Treatment Prediction in Muscle-invasive Bladder Cancer Acedo Terrades, Ariadna El càncer de bufeta amb invasió muscular (MIBC) representa un repte clínic a causa de la seva heterogeneïtat molecular i la resposta variable al tractament. Aquesta tesi explora dues estratègies bioinformàtiques complementàries per millorar la caracterització molecular i la predicció de resposta al tractament en el MIBC utilitzant dades d’RNA-Seq. En la primera part de la tesi, s’avalua sistemàticament l’impacte dels mètodes de preprocessament d’RNA-Seq en la classificació dels subtipus moleculars. Mitjançant la comparació de diferents combinacions d’alineadors, quantificadors, tècniques de normalització i transformacions, es demostra que la transformació de dades, especialment la transformació logarítmica, afecta significativament la consistència i precisió de la classificació dels subtipus quan s’utilitzen classificadors basats en centròids com consensusMIBC i TCGAclas. En canvi, el classificador LundTax va mostrar una major robustesa davant les variacions de preprocessament, proporcionant una separació de subtipus més consistent. A més, es va observar que els alineadors genòmics (p. ex., STAR) combinats amb quantificadors a nivell gènic (p. ex., featureCounts) oferien els resultats més fiables pel que fa a la detecció gènica i la precisió en la quantificació. Aquests resultats posen en relleu el paper crític de les decisions metodològiques en les anàlisis transcriptòmiques i subratllen la necessitat d’un preprocessament estandarditzat per garantir la reproductibilitat i rellevància clínica. En la segona part, es presenta un marc d’aprenentatge automàtic basat en transcriptòmica per predir la resposta a la quimioteràpia neoadjuvant amb cisplatí (NAC) en el MIBC. És important destacar que la metodologia utilitzada per al processament i normalització de les dades transcriptòmiques es va seleccionar a partir dels resultats obtinguts en la primera part de la tesi, assegurant així el rigor metodològic i la fiabilitat. Mitjançant l’anàlisi integrativa de dades transcriptòmiques (RNA-Seq) i genòmiques (WES) de 100 tumors de pacients, es van identificar signatures gèniques i alteracions genòmiques associades amb la resposta al tractament. Es va desenvolupar i validar externament un model d’aprenentatge automàtic (XGB-R) basat exclusivament en característiques transcriptòmiques, assolint un alt rendiment predictiu (AUC = 0.85). L’alta precisió del model i la seva dependència de dades transcriptòmiques el situen com una eina prometedora per a la presa de decisions clíniques, pendent de validació en cohorts de pacients més àmplies. En conjunt, aquests estudis subratllen la doble importància del rigor metodològic i de la modelització integrativa per avançar en l’oncologia de precisió en el càncer de bufeta. En abordar tant el procés de preprocessament com la modelització predictiva, aquesta tesi aporta enfocaments computacionals robustos que donen suport a la translació clínica de les dades d’RNA-Seq en el MIBC. Programa de Doctorat: Bioinformàtica 2025-11-14T00:00:00Z http://hdl.handle.net/10854/7138 Exploring the Drug-Adverse Reaction and Drug-Target Landscape through Networks, Statistics and Machine Learning Approaches Galletti, Cristiano The amount of attrition in drug discovery, particularly at advanced stages, is quite high due to unexpected adverse drug reactions (ADRs) generated by drug candidates; hence, being able to anticipate unexpected reactions when modulating specific protein targets would contribute to the creation of safer drugs and have significant economic ramifications. In this thesis I present three distinct approaches to understand the many facets of this biological problem: the T-ARDIS database, a resource that provides comprehensive information on proteins and associated ADRs; the DocTOR framework, a target-centric approach to predicting associations between protein targets and ADRs by combining information from T-ARDIS drug-protein and drug-ADR databases; and finally, the SONG approach, a network-based viewpoint that considers the protein-ADR relationship in a more interconnected environment, improving our understanding of the protein's functional properties and leading directly to the molecular basis of ADR and ADRs associations.; El nombre de fàrmacs que acaben sent descartats, sobretot en els estadis avançats de desenvolupament, és molt elevat degut al que es coneix com a reaccions adverses inesperades als fàrmacs (ADR). Els ADR son reaccions de toxicitat al fàrmac que s'està desenvolupant per part de l'organisme. Seria molt interessant doncs tenir un sistema de predicció computational que pogués anticipar aquestes ADR en les primeres fases del desenvolupament de fàrmacs per tal d'obtenir nous fàrmacs més segur i evitar ramificacions econòmiques que comporten aturar el desenvolupament. En aquesta tesi presento tres enfocaments diferents per entendre les múltiples facetes d'aquest problema biològic: la base de dades T-ARDIS, un recurs que proporciona informació exhaustiva sobre associacions proteïnes i ADRs, l'eina de predicció DocTOR, un sistema d'intel.ligència artificial per predir associacions entre proteiques i ADRs mitjançant la combinació d'informació i l'anàlisi massiu de dades; i finalment SONG, un anàlisis basat en xarxes de proteïnes que estudia la relació proteïna-ADR en l'entorn de l'interactoma humà, millorant d'aquesta manera la nostra comprensió de les propietats funcionals de la proteïna i revelant informació a les bases moleculars de les associacions ADR i proteïnes. Programa de doctorat: Bioinformàtica 2022-10-10T00:00:00Z http://hdl.handle.net/10854/7103 Development of a framework for the computational design and evolution of enzymes Floor Pilquil, Martin Luciano El disseny enzimàtic es troba al cor de la biotecnologia moderna i, cada cop més de les anomenades química fina i química verda. Dissenyar un enzim per a aplicar-lo en contextos industrials o de bioremediació, per exemple, implica disposar d’un coneixement profund dels sistemes enzimàtics, per tal de poder proposar canvis racionals que millorin les seves propietats catalítiques. En els darrers anys, s'ha desenvolupat un gran nombre de mètodes computacionals amb l'objectiu de dissenyar o millorar nous enzims. No obstant això, aconseguir, mitjançant aquests mètodes, que les prediccions de nous enzims assoleixin el poder dels enzims naturals és encara un repte científic no assolit. En aquesta tesi, proposem la combinació de dues metodologies robustes per idear un marc computacional de disseny i evolució d'enzims. D'una banda, una metodologia exitosa de disseny de proteïnes, l’entorn de treball Rosetta, i, de l'altra, un mètode eficient per l'avaluació de reactivitat química basat en simulacions moleculars, el mètode de l’Empirical Valence Bond. Ambdues eines treballant col·lectivament— són una proposta atractiva per afrontar reptes capdavanters en el camp del disseny enzimàtic. Després d'aplicar la nostra metodologia en un sistema químic habitualment utilitzat com a prova de concepte, la reacció catalítica de la Kemp eliminasa, hem trobat un seguit d'obstacles que cal abordar abans de crear un marc reeixit per al disseny computacional i l'evolució d'enzims. En aquest treball, explorem aquests reptes en profunditat i suggerim noves direccions per millorar diferents aspectes de la metodologia proposada. En concret, per una banda, fem una dissecció acurada de les energies d’interacció que proporciona Rosetta, aspecte clau per a una millor predicció de marcs (o scaffolds) estructurals sobre els quals construir nous dissenys enzimàtics. Per una altra, proposem una nova implementació pràctica d’un model de simulació basat en estructura en el paquet de simulacions moleculars OpenMM. Ambdós elements són un pas de gran rellevància en la consecució de l’objectiu de disposar d'una “caixa d’eines” eficient i robusta per a l’exploració del mapa estructura-funció dels enzims dissenyats.; Enzymatic design is at the heart of modern biotechnology and, increasingly so, the so-called fine chemistry and green chemistry. Designing enzymes for applications in industrial or bioremediation contexts, for example, involves having a deep knowledge of enzymatic systems to propose rational changes that improve their catalytic properties. In recent years, a large number of computational methods have been developed to design or improve new enzymes. However, achieving enzymatic predictions through these methods to reach the power of natural enzymes is still an unattained scientific challenge. In this thesis, we propose the combination of two robust methodologies to devise a computational framework for enzyme design and evolution. On the one hand, a successful protein design methodology— the Rosetta modelling environment— and on the other, an efficient method for evaluating chemical reactivity based on molecular simulations— the Empirical Valence Bond method. Both tools, working collectively, are an attractive proposition for tackling state-of-the-art challenges in the field of enzymatic design. After applying our methodology in a proof-of-concept chemical system, the catalytic reaction of Kemp eliminase, we found a series of obstacles that need to be addressed before creating a successful framework for the computational design and evolution of enzymes. This work explores these challenges in-depth and suggests new directions to improve different aspects of the proposed methodology. Specifically, on the one hand, we make a careful dissection of the interaction energies provided by Rosetta, a key aspect for a better prediction of structural scaffolds on which to build new enzymatic designs. On the other hand, we propose a new practical implementation of a structure based simulation model in the OpenMM package of molecular simulations. Both elements are a critical step in achieving an efficient and robust "toolbox" for exploring the structure-function map of designed enzymes. Programa de Doctorat: Bioinformàtica 2022-02-04T00:00:00Z http://hdl.handle.net/10854/7032 Bioinformatics tools for membrane proteins: from sequences to structure and function García Recio, Adrián Membrane proteins are a large group of proteins that play an essential role in the cell. This group includes receptors, ion channels, transporters, and enzymes, which account for 25% of the proteins in the human genome. About 50% of membrane proteins are pharmacological targets for various diseases. In addition, there are pathogenic mutations that affect their folding, stability, and function for 90% of membrane proteins. Research on membrane proteins has grown in recent years. along with the development of computational tools to process sequence data, both structural and functional, have become essential to understanding all available information about these proteins. The main goal of this thesis is to develop bioinformatics tools to model and analyze membrane proteins.; Les proteïnes de membrana són un gran grup de proteïnes que tenen un paper essencial a la cèl·lula. Aquest grup inclou receptors, canals iònics, transportadors i enzims, que representen el 25% de les proteïnes del genoma humà. Al voltant del 50% de les proteïnes de membrana són dianes farmacològiques per a diverses malalties. A més, hi ha mutacions patògenes que afecten el seu plegament, estabilitat i funció per al 90% de les proteïnes de membrana. La investigació sobre proteïnes de membrana ha crescut al llarg dels darrers anys. juntament amb el desenvolupament d'eines computacionals per tractar dades de seqüències, estructurals i funcionals, s'han convertit en essencials per entendre tota la informació disponible sobre aquestes proteïnes. L'objectiu principal d'aquesta tesi és desenvolupar eines bioinformàtiques per modelar i analitzar proteïnes de membrana. Programa de Doctorat: Bioinformàtica 2022-02-09T00:00:00Z