El estudio de la microbiota intestinal y su importancia en la salud humana constituye una de las grandes áreas de investigación en el panorama biomédico actual. En particular, la interacción entre la dieta y la microbiota intestinal ha recibido una gran atención, abordándose desde distintas perspectivas. Entre ellas, el uso de modelos metabólicos de la microbiota intestinal humana, los cuales tratan de integrar las redes metabólicas de los organismos presentes en el intestino humano, incluyendo sus reacciones, metabolitos y proteínas implicadas, ha experimentado un gran crecimiento en los últimos años. El propósito de estos modelos es predecir cómo la microbiota intestinal degrada los compuestos procedentes de la dieta y libera compuestos (beneficiosos o perjudiciales) para el resto del organismo.

Previamente, el grupo de Biología Computacional de Tecnun desarrolló un modelo metabólico de la microbiota intestinal, llamado AGREDA, el cual incorporaba de forma novedosa el metabolismo de compuestos importantes de la dieta y fue utilizado para hacer un ranking de alimentos para cada individuo de acuerdo a su microbiota intestinal, medida con datos de secuenciación de ARNr 16S. AGREDA está basado en un modelo metabólico previamente publicado en la literatura, llamado AGORA, el cual ha sido recientemente actualizado, aumentando el número de organismos de la microbiota intestinal.

El objetivo principal de la tesis doctoral es mejorar los algoritmos de nutrición personalizada y microbiota intestinal previamente desarrollados por el grupo de Biología Computacional de Tecnun, con el fin de aplicarlos a distintas intervenciones nutricionales en las que el grupo está participando. En particular, se desarrollará AGREDA2, una nueva versión del metabolismo de la microbiota intestinal humana que integre AGREDA y AGORA2.

Uno de los grandes desafíos para llevar a cabo esta integración es automatizar la anotación funcional de las reacciones implicadas en el metabolismo de compuestos procedentes de la dieta, previamente caracterizada de forma manual con datos de literatura. Para ello, se estudiarán y aplicarán distintos métodos predictivos de anotación funcional basado en las transformaciones químicas subyacentes de las reacciones huérfanas. A su vez, se llevará a cabo una comparación entre AGORA, AGREDA, AGORA2 y AGREDA2, validando con datos experimentales las mejoras introducidas. El algoritmo de ranking de alimentos se adaptará para utilizar datos de metagenómica y metatranscriptómica. Finalmente, se utilizarán AGREDA2 y el algoritmo de ranking de alimentos en al menos 2 intervenciones nutricionales: pacientes con diabetes y cáncer de mama.