Es pot saber de manera precisa quina cadena d’esdeveniments porta a alterar la concentració de metabòlits al cos una vegada ha ingerit un medicament? O, per exemple, com es propagarà una informació confidencial en una gran empresa? Un grup d’investigadors de la Universitat Rovira i Virgili ha desenvolupat una nova eina, un algoritme matemàtic basat en un model probabilístic, que identifica els camins més probables de la xarxa d'interaccions entre les unitats d’un sistema i proporciona estimacions ràpides i precises per tenir informació sobre les possibles trajectòries de propagació

Posem per cas que individu ingereix un medicament i hores més tard, una anàlisi de sang revela que la concentració d’alguns metabòlits ha canviat respecte el que seria habitual. Davant d’aquesta situació el metge intenta interpretar la cadena d’esdeveniments que porten a aquests canvis, però s’enfronta a desafiaments significatius. En primer lloc, hi ha milers de metabòlits i milers de reaccions bioquímiques que transformen uns metabòlits en altres. En segon lloc, l’estructura de la xarxa metabòlica es manté, però les concentracions de metabòlits han mutat per aquestes reaccions. I en tercer lloc, el metge ignora l’estat de la majoria dels metabòlits, ja que només n’hi ha una part, prop del 10%, que són els que es mesuren en un anàlisis de sang. Davant d’això el metge no pot respondre, amb les dades que pot obtenir,  algunes preguntes com ara saber quines reaccions han provocat que la modificació metabòlica s’hagi estès, o bé quants metabòlits, que no es poden mesurar, han estat afectats?

Investigadors del grup de recerca SEES:lab, del  Departament d’Enginyeria Química de la  URV, junt amb investigadors de la Unitat de Recerca Biomèdica del Departament de Medicina i Cirurgia, han fet front a aquest desafiament i n’han comprovat els resultats en casos reals, amb voluntaris que van ingerir un extracte d’una planta per posar a prova el resultat d’un nou model matemàtic que han desenvolupat. Es tracta d’analitzar un volum molt elevat d’informació, buscar les connexions entre els nodes i finalment donar-los més o menys rellevància. I això ho han aplicat a  problemes dinàmics per poder saber per on s’ha propagat una pertorbació causada per factors externs en una xarxa. És a dir, conèixer una part per poder preveure el tot.

En contrast amb el que passa amb, per exemple en la propagació d’una epidèmia -quan normalment es té la informació completa de l’estat de les persones dins d’una xarxa-, les observacions de les determinades modificacions d’una xarxa dinàmica passen en poc temps i només se’n pot fer una observació parcial. Matemàticament, es poden trobar solucions a aquest problema deixant clar que les alteracions es propaguen seguint camins en la xarxa d’interaccions entre les unitats del sistema (és a dir, en metabòlits en l’exemple estudiat). Un repte important en moltes àrees, des de la biologia a les ciències socials, és deduir les trajectòries de propagació de l’observació dels efectes de les alteracions.

Aquesta eina, doncs, és capaç de preveure l’alteració d’un xarxa completa tenint només una part de la informació. A més, ho fa de forma automàtica i permet processar un volum molt elevat d’informació en molt poc temps.   Els resultats suggereixen que més enllà de preveure les alteracions en una sèrie de contextos també es pot utilitzar com una eina per guiar hipòtesis i descobriments, per, per exemple, ajudant en la identificació de la ramificació de punts dels traçats d’una alteració.

Referència bibliogràfica: Francesco Alessandro Massucci, Jonathan Wheeler, Raúl Beltrán-Debón, Jorge Joven, Marta Sales-Pardo, Roger Guimerà. “Inferring propagation paths for sparsely observed perturbations on complex networks” Science Advances21 Oct 2016 : e1501638 DOI: 10.1126/sciadv.1501638