Autora: Maitena Tellaeche Abete

Tesis: Optimization and Machine Learning Approaches for Tumor Phylogeny Reconstruction

Directores: Borja Calvo Molinos / Charles Henderson Lawrie

Día: 10 de julio de 2025
Hora: 9:30h
Lugar: sala Ada Lovelace (Facultad de Informática)

Abstract:

"El cáncer es una enfermedad compleja y en constante evolución, caracterizada por inestabilidad genómica y heterogeneidad intratumoral, lo que dificulta su diagnóstico y tratamiento. La filogenia tumoral —la reconstrucción de la historia evolutiva de las células cancerosas— ha surgido como un enfoque poderoso para comprender la progresión del tumor y orientar terapias personalizadas. Sin embargo, su aplicación clínica se ve limitada por la baja calidad de las muestras disponibles, como los tejidos fijados en formol e incluidos en parafina (FFPE), y por las limitaciones inherentes a los datos de secuenciación masiva.

Esta tesis aborda estos desafíos mediante tres contribuciones clave. En primer lugar, introduce un enfoque de clasificación supervisada para identificar y mitigar artefactos en datos de secuenciación de ADN derivados de muestras FFPE, mejorando así la fiabilidad de los análisis posteriores. En segundo lugar, presenta un estudio exhaustivo del Problema de Deconvolución Clonal y Evolución (CDEP), destacando la multiplicidad de soluciones y proponiendo un algoritmo para generar instancias artificiales con soluciones únicas garantizadas. En tercer lugar, investiga el papel de la incertidumbre en la inferencia filogenética, demostrando cómo considerar la distribución desigual del ruido entre muestras y mutaciones puede ayudar en la resolución del CDEP.

En conjunto, estas contribuciones fortalecen la base metodológica para reconstruir filogenias tumorales a partir de datos de secuenciación ruidosos y de baja calidad, con el objetivo final de mejorar el diagnóstico y la planificación terapéutica del cáncer."