Martin Parga defenderá su tesis el jueves 30 de mayo

• La defensa se llevará a cabo en el Salón de Grados de la Fcultad de Ciencias en Leioa

Martín Parga obtuvo su licenciatura en Física en la Universidad de Santiago de Compostela y su maestría en Matemáticas Industriales en la misma institución. Sus intereses de investigación siempre han estado relacionados con aplicaciones biomédicas, desde aplicaciones de nanomateriales para tratamientos de hipertermia hasta modelado de la muerte celular bajo radioterapia. Para su doctorado, se centró en el estudio de metodologías bayesianas para el análisis de datos transcriptómicos, con especial interés en estudios multiplataforma y la combinación de múltiples fuentes de datos. Más específicamente, en mejorar las metodologías relacionadas con el muestreo de Monte Carlo Hamiltoniano (HMC) a través de técnicas de integración eficientes y en el error generado durante este proceso. En el ámbito biológico, su investigación se enfoca en las aplicaciones de estos métodos para estudiar la resistencia adquirida a las terapias endocrinas en el cáncer de mama ER+.

Actualmente, Parga trabaja como estudiante de doctorado en el Centro Vasco de Matemática Aplicada (BCAM) en el campo de Modelado y Simulación en Ciencias de la Vida y Materiales, donde se unió hace cinco años.

Su tesis, titulada ""Tackling the development of hormone therapy resistance in breast cancer through mathematical modelling", está bajo la experta guía de Elena Akhmatskaya (Ikerbasque & BCAM) y María del Mar Vivanco Ruiz (CIC bioGUNE). La defensa está programada para el jueves 30 de mayo en la Universidad del País Vasco en Leioa.

En nombre de todos los miembros de BCAM, nos gustaría desearle a Martín la mejor de las suertes en la defensa de su tesis.

Resumen

Los pacientes que sufren de cáncer de mama impulsado por estrógenos frecuentemente desarrollan una resistencia difícilmente predecible a la terapia hormonal, lo cual complica significativamente el tratamiento. Los enfoques actuales para abordar este problema incluyen modelos celulares y estudios clínicos, ambos apoyados por tecnologías de secuenciación como RNA-seq, que ofrecen diferentes fortalezas y limitaciones. Esta disertación aborda el desafío de predecir la resistencia a la terapia hormonal en el cáncer de mama fusionando avances en bioinformática y estadística bayesiana, y aplicándolos a dos tipos de datos: datos de RNA-seq y datos clínicos. Primero, exploramos el análisis estadístico de los datos clínicos mediante inferencia bayesiana combinada con técnicas mejoradas de Monte Carlo mediante cadenas de Markov, e introducimos un novedoso algoritmo para la integración adaptativa en métodos prospectivos de Monte Carlo Hamiltoniano Modificado (MHMC). Demostramos su efecto positivo en el rendimiento del MHMC en aplicaciones biomédicas utilizando datos clínicos de pacientes con cáncer de mama. A continuación, proponemos e implementamos una canalización de RNA-seq dentro de nuestra aplicación web interactiva para el análisis de líneas celulares de cáncer de mama resistentes secuenciadas en CIC bioGUNE. Finalmente, proponemos un enfoque original basado en un modelo de regresión logística bayesiana acoplado con un algoritmo similar al recocido simulado para un análisis combinado de datos de RNA-seq y datos clínicos, y lo aplicamos a datos ad hoc para obtener y validar in silico e in vitro una novedosa firma de 6 genes para estratificar la respuesta de los pacientes a la terapia hormonal.Finalmente, en dos dimensiones, desarrollamos una nueva técnica que nos permite demostrar, para combinaciones de interacciones delta soportadas en curvas no suaves, la autoadjuntividad de la realización del operador de Dirac bajo consideración, en el espacio de Sobolev de orden uno medio.