Estrategias de la medicina de redes para la caracterización de módulos de enfermedad = Network medicine strategies for disease module characterization

Los módulos de enfermedad pueden definirse como conjuntos de proteínas asociadas a una enfermedad que se encuentran conectadas dentro del interactoma. La identificación de estos módulos representa uno de los primeros y más esenciales pasos en la medicina de redes. Para ello, es fundamental determinar los genes asociados a una enfermedad específica, ya que estos genes codifican las proteínas que formarán parte del módulo. Dado el gran volumen de datos actualmente disponibles, múltiples asociaciones entre genes y enfermedades están disponibles en las bases de datos. Sin embargo, no toda la información es igual de sólida. Por esta razón, bases de datos como DisGeNET asignan puntuaciones a las asociaciones gen-enfermedad, lo que en inglés se conoce como GDA (Gene-Disease Association) score. Se permite, de esta manera, distinguir entre relaciones fuertes y débiles. Existen múltiples métodos para identificar estos módulos de enfermedad, que van desde enfoques simples hasta algoritmos más complejos. La detección de estos módulos tiene aplicaciones clave como el entendimiento de los mecanismos moleculares de las enfermedades, la identificación de posibles dianas terapéuticas y el reposicionamiento de fármacos. El presente estudio se enfoca en determinar qué genes deben ser considerados en la construcción de módulos de enfermedad y qué parámetros influyen en la obtención de módulos significativos. En particular, se compararon cinco métodos de descubrimiento de módulos de enfermedad. Se evaluaron el rendimiento, la significancia estadística y la correlación entre distintos parámetros. Posteriormente, se filtraron los genes asociados a enfermedades según sus puntuaciones GDA, y se analizaron los cambios en el tamaño y la significancia de los módulos obtenidos, para determinar la importancia de la calidad de los datos usados. Como resultado, se muestra una comparativa de los distintos métodos y algoritmos utilizados para descubrir módulos de enfermedad. Además de exponer qué parámetros contribuyen a la formación de módulos significativos. En conclusión, definir con precisión los criterios y valores para construir un módulo de enfermedad es fundamental. Este paso inicial permite una mejor comprensión de las patologías y contribuye al desarrollo de estrategias terapéuticas más eficaces. ABSTRACT Disease modules can be defined as sets of proteins associated with a disease that are connected within the interactome. Identifying these modules represents one of the first and most essential steps in network medicine. To achieve this, it is crucial to determine the genes associated with a specific disease, since these genes encode the proteins that will form part of the module. Given the large volume of data currently available, many gene–disease associations can be found in databases. However, not all this information is equally reliable. For this reason, databases such as DisGeNET assign scores to gene disease associations, the so-called GDA (Gene-Disease Association) score, which allows for the distinction between strong and weak relationships. There are multiple methods for identifying disease modules, ranging from simple approaches to more complex algorithms. Detecting these modules has key applications, such as understanding the molecular mechanisms of diseases, identifying potential therapeutic targets, and enabling drug repurposing. This study focuses on determining which genes should be considered when constructing disease modules and which parameters influence the identification of meaningful modules. In particular, five disease module discovery methods were compared. Their performance, statistical significance, and correlations among various parameters were evaluated. Subsequently, disease-associated genes were filtered according to their GDA scores, and changes in module size and significance were analyzed in order to assess the importance of data quality. As a result, a comparative analysis of the different methods and algorithms used for disease module discovery is presented, along with an exploration of the parameters that contribute to the formation of significant modules. In conclusion, precisely defining the criteria and values for constructing a disease module is essential. This initial step enables a better understanding of diseases and supports the development of more effective therapeutic strategies.