Hablemos primero de tus principales proyectos de investigación. ¿Qué técnicas de ciencia de datos estás utilizando?

Las líneas de trabajo son en bioinformática, una intersección de ciencias de datos con biología y genética. Tengo dos líneas principales, una primera que es de ecología microbiana en la Facultad de Agronomía, específicamente en el INBA, que es un instituto UBA/CONICET.

Usamos una serie de técnicas de laboratorio y de ciencia de datos para entender cómo se modifican las comunidades microbianas como resultado de procesos de deforestación y de cambios en el uso agrícola del suelo. La idea es determinar si esas modificaciones en las comunidades microbianas terminan generando cambios en la calidad del suelo. En este proyecto, podemos secuenciar ADN a muy bajo costo, con miles o millones de secuencias a partir de una sola muestra. Entonces, podemos tener una muestra de suelo, de esa muestra amplificar un gen que nos interese ver, secuenciarlo e identificar a qué microorganismo pertenece.

Con un enfoque similar, también estamos analizando las comunidades de bacterias que viven en el intestino de insectos como las termitas, para intentar descubrir nuevos genes que degradan restos vegetales y que se pueden usar en biotecnología, en la producción de biocombustibles.

Como suele suceder en ciencia de datos, se requiere una primera etapa de limpieza de los datos y preparación de los datos que lleva bastante tiempo. Los secuenciadores tienen errores, hay que tratar de corregir esos errores y normalizar los datos. Luego nos proponemos identificar esas secuencias y denominar a cada bacteria. Tenemos algoritmos disponibles para hacer coincidir secuencias conocidas en bases de datos. A diferencia de lo que sucedería en una base tradicional, para nosotros muchas la identidad no es tan importante como saber a quién se parece.

A partir de estas técnicas estamos aprendiendo muchísimo más sobre cómo se organizan y qué hacen los microorganismos en diferentes comunidades. Podemos armar perfiles de las miles de especies que conviven en cualquier ambiente. Lo interesante es que los perfiles van cambiando no solamente de acuerdo al ambiente sino por ejemplo en el caso de las comunidades microbianas que tenemos en el intestino, de acuerdo a las dietas o a las enfermedades.

Estamos observando una gran cantidad de comunidades microbianas que varían con las condiciones ambientales y hay un punto donde uno se empieza a preguntar si estas variaciones son causa o consecuencia. Eso todavía lo estamos aprendiendo. Los microorganismos parecerían ser la causa de algunas enfermedades. En otros casos, en situaciones de contaminación ambiental, por ejemplo, la comunidad microbiana va a cambiar y se va a adaptar a esos contaminantes nuevos y ahí es donde el cambio va a ser una consecuencia de la contaminación.

La segunda línea de trabajo que tenemos es el estudio de la bacteria que causa la tuberculosis bovina. Desde nuestro instituto, colaboramos desde el año 2008 con el Laboratorio de Tuberculosis Bovina del Instituto Nacional de Tecnología Agropecuaria (INTA), que está funcionando en el Instituto de Biotecnología que tiene el INTA en Castelar. Ellos poseen todo el manejo experimental certificado para poder trabajar con patógenos. Nosotros en el Laboratorio hacemos la parte de Bioinformática, que tiene muchos cruces con ciencia de datos. Una tarea típica en esta línea es secuenciar ADN pero de un solo microorganismo, con el objetivo de poder saber cómo es el genoma de ese microorganismo.

¿El estudio de la tuberculosis bovina permite saber más sobre la tuberculosis en humanos?

Entre “Mycobacterium bovis” (tuberculosis bovina) y “Mycobacterium tuberculosis” (tuberculosis humana) existe una similitud del genoma entre 97 y 98%.  Por lo tanto, encontramos bastantes puntos en común entre una y otra enfermedad. En este caso, buscamos similitudes y diferencias en las secuencias de ADN de los genomas de variantes de estas bacterias que tienen diferentes niveles de patogenicidad. Lo que intentamos encontrar son cambios en las secuencias de ADN que expliquen esas diferencias. También analizamos cómo cambian los patrones de expresión de genes en diferentes mutantes de esta bacteria y bajo diferentes condiciones ambientales.

El genoma de la bacteria de la tuberculosis en vacas contiene 4 millones y medio de nucleótidos. No existe ningún equipo que nos dé la secuencia ordenada de eso. Lo que tenemos son equipos que proveen fragmentos al azar y, luego, se utiliza todo un proceso para reconstruir esos fragmentos con diferente software.

En estas áreas la gran mayoría de los datos son públicos, con lo cual uno puede trabajar con datos que no se hayan producido en su propio laboratorio ni en el laboratorio con el que uno colabora. Además de las bases de datos de bibliografía, una cantidad enorme de datos genéticos están disponibles en fuentes públicas.

Hace un tiempo empezamos a trabajar con Crhistian Cardona, un alumno de la Maestría en Data Mining,  para organizar esta información utilizando bases de datos de grafos. Este fue el trabajo de tesis de Crhistian.

Sé por otras entrevistas que preferís hablar de Ciencia de Datos antes que de Big Data. ¿Cómo ves la relación entre ciencia de datos y datos biológicos, particularmente con la cantidad de aplicaciones que existen?

Lo que está pasando ahora es que muchas áreas de la biología se están transformando en áreas Dato-intensivas. Realmente cuesta conseguir estudiantes para cubrir ciertas posiciones de posgrado. Porque el estudiante que viene de carreras biológicas no suele tener este background de datos y programación para este tipo de proyectos. Al mismo tiempo, a los estudiantes de informática también les resulta difícil llegar a entender los procesos biológicos, los problemas y el lenguaje específico, ya que la biología es una ciencia de sistemas complejos. Cuando uno sitúa los procesos biológicos a nivel de áreas de estudio, existen carreras muy diferentes: agronomía, medicina, biología, biotecnología, etc. Hay varias áreas de la biología que se están transformando en Dato-intensivas, es importantísimo tener alguien que no solamente maneje el enfoque estadístico o de bases de datos, se necesita alguien con una visión más integral que es lo que requiere la Ciencia de Datos.

¿Y cuánto se hace de Data Mining en los grupos de investigación actuales, teniendo en cuenta que hacer Bioinformática no es lo mismo que hacer Data Mining?

Pero hay una convergencia entre ambas cosas. Si bien la bioinformática tuvo un nacimiento independiente del Data Mining, los dos términos empiezan a aparecer en el mismo momento, a principios de los años 80 ya se hablaba de esto. Diría que bioinformática implica aplicar la minería de datos a procesos biológicos. Alguien que haya estudiado ciencia de datos y se quiera aproximar a la biología, va a tener a la biología como barrera. En cambio, todo lo que sepa de ciencia de datos le va a sumar. Pero vemos cuestiones muy locales. Por ejemplo, todos los algoritmos para encontrar patrones en secuencias, están restringidos a la biología en particular. No necesariamente se encuentran en los libros de ciencia de datos. No son métodos trasladables a otras áreas, como por ejemplo, cuando uno trabaja con grafos, clasificación, agrupamientos, etc. lo cual es horizontal a diversas disciplinas.

¿Cómo imaginás el futuro de Ciencia de Datos y Bioinformática?

30 años atrás uno podía pensar conceptualmente en secuenciar el ADN de toda una familia para encontrar las causas de una enfermedad hereditaria. El concepto estaba pero no se podía hacer porque el costo era altísimo.

Con la secuenciación genómica completa de la planta Arabidopsis thaliana, poco tiempo después del desciframiento del genoma humano en el año 2000, la ciencia abrió una puerta hacia nuevas aplicaciones de interés agronómico, ambiental, energético e industrial. El problema surgió cuando hubo que ordenar los cientos y miles de datos que este descubrimiento ofrecía: la solución fue hacerlo en forma automática.

Muchas de las cosas que vemos hoy suceden porque se desarrollan mejores instrumentos que tienen mayor rendimiento, los costos bajan y la tendencia es que estos costos sigan reduciéndose. De hecho, están apareciendo secuenciadores que cada vez secuencian fragmentos más largos. Antes podíamos medir hasta 800 nucleótidos. Ahora en un solo tramo podemos tener secuencias de varios miles de nucleótidos.

Es muy probable que dentro de poco tiempo cada uno pueda tener su genoma secuenciado y analizado por menos de mil dólares. Eso va a abrir múltiples posibilidades. No solamente va a haber una demanda para hacer análisis más rápido y más eficiente sobre una cantidad de datos en aumento, sino que se va a generar conocimiento nuevo. En los casos tecnológicos de Google y Facebook, han trabajado e investigado sobre su propia complejidad de datos. Lo mismo va a pasar con nosotros, en biología va a haber una revolución conceptual de lo que vayamos aprendiendo de este volumen de datos sin precedentes.

¿Cuál es hoy tu mayor desafío a nivel profesional?

Hay todo un tema en biología que sería como el siguiente paso de la bioinformática: la Biología de Sistemas. Durante mucho tiempo la biología molecular, que tiene que ver con toda la cuestión genómica que estuve mencionando anteriormente, fue un enfoque muy exitoso pero reduccionista. Tratar de llevar eso a cómo funciona el organismo en un ambiente o relacionar la influencia del ambiente sobre el estado de salud de la persona, es un salto grande. Ahora empieza a haber una convergencia con este enfoque que fue acusado de reduccionista pero como resultó tan exitoso y generó un enorme volumen de datos, necesita integrarse a marcos de análisis mucho más grandes.

En diferentes áreas biológicas surgen datos que se fueron generando por diferentes métodos experimentales, de acuerdo a la tecnología disponible (información genómica o metabólica, datos de ecosistemas, procesamiento de imágenes, historias clínicas, etc.). Ahora bien, en un sistema biológico no está todo dividido como compartimientos estancos, sino que está funcionando todo junto.

La Biología de Sistemas es el gran desafío que tenemos, porque está tratando de apuntar a la integración de ese gran volumen de datos, que sabemos que fueron recolectados con diferentes contenedores. Una forma natural de un biólogo es empezar a dibujar el problema en un pizarrón, aunque no sepa que está haciendo grafos. Acá es donde se están utilizando Bases de Datos de Grafos. Porque conceptualmente el grafo mapea perfectamente este tipo de problemas. Prácticamente en biología, todos los sistemas complejos se pueden representar efectivamente con grafos y ver la interacción compleja entre estos componentes biológicos. El próximo paso es poder integrar y representar todo estos datos en un sistema computacional, generando nuevo conocimiento.