IA aprovecha genética tumoral para predecir respuesta del paciente a quimioterapia

Comprender las respuestas de los tumores a los fármacos se vuelve un desafío debido a la naturaleza compleja de la replicación del ADN, un objetivo fundamental para muchos tratamientos contra el cáncer. Todas las células, incluidas las cancerosas, dependen de un sofisticado sistema de replicación del ADN durante la división celular. La mayoría de las quimioterapias tienen como objetivo interrumpir este proceso de replicación en células tumorales que se multiplican rápidamente. Dadas las diversas mutaciones genéticas en los tumores, predecir la resistencia a los medicamentos sigue siendo un desafío formidable. Ahora, los científicos han desarrollado un algoritmo de aprendizaje automático capaz de predecir cuándo el cáncer resistirá la quimioterapia. Este modelo se probó específicamente en cáncer de cuello uterino y predijo con precisión las respuestas al cisplatino, un fármaco de quimioterapia ampliamente utilizado. Identificó eficazmente tumores que probablemente resistirían el tratamiento y arrojó luz sobre los mecanismos moleculares que impulsan esta resistencia.

Desarrollado por la Facultad de Medicina de la Universidad de California en San Diego (La Jolla, CA, EUA), el algoritmo evalúa cómo varias mutaciones genéticas impactan colectivamente la respuesta de un tumor a los fármacos inhibidores de la replicación del ADN. La investigación se centró en 718 genes que normalmente se analizan en pruebas genéticas clínicas para detectar cáncer. Las mutaciones de estos genes formaron la base del modelo de aprendizaje automático, entrenado utilizando datos de respuesta a fármacos disponibles públicamente. Este proceso condujo a la identificación de 41 complejos moleculares (grupos de proteínas que interactúan) donde las alteraciones genéticas afectan la eficacia de los fármacos. La eficacia del modelo se demostró particularmente en el cáncer de cuello uterino, donde aproximadamente el 35 % de los tumores muestran resistencia al tratamiento.

El algoritmo distinguió con éxito entre tumores que probablemente responderían al tratamiento, correlacionándose con mejores resultados de los pacientes, y aquellos que eran resistentes. Es importante destacar que el modelo también proporcionó información sobre su proceso de toma de decisiones al identificar los complejos proteicos que impulsan la resistencia en el cáncer de cuello uterino. Esta característica de interpretabilidad del modelo es crucial no sólo por su eficacia sino también para establecer sistemas de IA confiables en aplicaciones médicas.

"Los médicos conocían previamente algunas mutaciones individuales que están asociadas con la resistencia al tratamiento, pero estas mutaciones aisladas tendían a carecer de un valor predictivo significativo. La razón es que una cantidad mucho mayor de mutaciones puede moldear la respuesta de un tumor al tratamiento de lo que se pensaba anteriormente", dijo Trey Ideker, PhD, profesor del Departamento de Medicina de UC San Diego. "La inteligencia artificial cierra esa brecha en nuestra comprensión, permitiéndonos analizar una compleja gama de miles de mutaciones a la vez".

"Desentrañar el proceso de toma de decisiones de un modelo de IA es crucial, a veces tan importante como la propia predicción", añadió Ideker. "La transparencia de nuestro modelo es una de sus fortalezas, en primer lugar porque genera confianza en el modelo y, en segundo lugar, porque cada uno de estos conjuntos moleculares que hemos identificado se convierte en un nuevo objetivo potencial para la quimioterapia. Somos optimistas de que nuestro modelo tendrá amplias aplicaciones, no sólo para mejorar el tratamiento actual contra el cáncer, sino también para impulsar otros nuevos".

Enlaces relacionados:
Universidad de California San Diego

Visitar la expo >

Miembro Platino

PRUEBA RÁPIDA COVID-19

OSOM COVID-19 Antigen Rapid Test

Magnetic Bead Separation Modules
MAG and HEATMAG

PRUEBA DE ANTIPÉPTIDO CÍCLICO CITRULINADO

GPP-100 Anti-CCP Kit

Miembro Oro

Prueba de actividad proteasa ADAMTS-13

ATS-13 Activity Assay