IA predice la respuesta a terapia contra el cáncer utilizando información de cada célula del tumor

Comparta este Artículo en:

El estudio muestra el poder del aprendizaje automático para predecir los resultados de la terapia contra el cáncer utilizando información de la llamada ómica de célula única.

Con más de doscientos tipos de cáncer y cada cáncer individualmente único, los esfuerzos en curso para desarrollar tratamientos oncológicos de precisión siguen siendo abrumadores.

La mayor parte de la atención se ha centrado en desarrollar ensayos o análisis de secuenciación genética para identificar mutaciones en los genes causantes del cáncer y luego tratar de combinar tratamientos que puedan funcionar contra esas mutaciones.

Pero muchos, si no la mayoría, de los pacientes con cáncer no se benefician de estas terapias dirigidas de manera precoz.

En un nuevo estudio Sanju Sinha, profesor del Programa de Terapéutica Molecular del Cáncer en Sanford Burnham Prebys, y sus colegas Eytan Ruppin y Alejandro Schaffer, del Instituto Nacional del Cáncer estadounidense, que forma parte de los Institutos Nacionales de Salud (NIH), describen un sistema computacional, el primero de su tipo, para predecir sistemáticamente la respuesta del paciente al cáncer a fármacos con un grado de resolución a nivel unicelular.

Apodado PERsonalized Single-Cell Expression-Based Planning for Treatments in Oncology (PERCEPTION), el nuevo enfoque basado en inteligencia artificial (IA) profundiza en la utilidad de la transcriptómica: el estudio de los factores de transcripción, las moléculas de ARN mensajero expresadas por genes que transportan y convierten la información del ADN en acción.

Hay que decir que la transcriptómica es una rama de la genómica que estudia el transcriptoma, el conjunto completo de ARN transcritos en una célula o en un conjunto de células.

En realidad, no solo el ARN mensajero (ARNm), sino también otros tipos de ARN, como el ARN ribosómico (ARNr), el ARN de transferencia (ARNt) y varios ARN no codificantes, caso de los microARN (miARN) y ARN largo no codificante (lncARN).

Esta disciplina busca entender cómo se expresan los genes bajo diferentes condiciones y cómo esto afecta a las funciones celulares y al desarrollo de organismos.

Utilizando tecnologías como la secuenciación de ARN, la transcriptómica permite analizar la expresión genética a gran escala, identificando patrones de activación y represión génica, lo cual es crucial para investigaciones en biología del desarrollo, enfermedades, respuestas a tratamientos y más.

Además, proporciona información sobre cómo los genes interactúan entre sí y con su entorno, y ofrece una visión más detallada y dinámica que simplemente analizar la secuencia de ADN.

“Un tumor es una bestia compleja y en evolución.

El uso de resolución de células individuales puede permitirnos abordar ambos desafíos, afirma Sinha.

Y añade: PERCEPTION permite el uso de información rica dentro de ómicas de célula única para comprender la arquitectura clonal del tumor y monitorear la aparición de resistencia“.

En biología, las técnicas de single-cell omics, ómica de célula única, son un conjunto de herramientas y metodologías utilizadas para analizar y caracterizar a nivel molecular las células de manera individual.

Esto permite a los científicos estudiar la heterogeneidad celular dentro de una población de células, y revelar así diferencias sutiles que pueden perderse en los análisis a nivel de población completa.

Las técnicas de ómica de célula única abarcan diversos enfoques, como la genómica de célula única (analizando el ADN), la transcriptómica de célula única (estudiando los transcritos de ARN), la proteómica de célula única (examinando las proteínas), la metabolómica de célula única (analizando los metabolitos) y la epigenómica de célula única (estudiando las modificaciones epigenéticas).

Estas técnicas han revolucionado nuestra comprensión de la biología celular al permitirnos examinar la complejidad y la variabilidad dentro de una población celular de manera detallada.

“La capacidad de monitorear la aparición de resistencias es la parte más emocionante para mí.

Tiene el potencial de permitirnos adaptarnos a la evolución de las células cancerosas e incluso modificar nuestra estrategia de tratamiento”, dice Sinha.

Sinha y sus colegas utilizaron el aprendizaje por transferencia, una rama de la IA, para desarrollar la PERCEPCIÓN.

“Nuestro mayor desafío fue la limitación de datos unicelulares de las clínicas.

Un modelo de IA necesita grandes cantidades de datos para comprender una enfermedad, de forma similar a como ChatGPT necesita enormes cantidades de datos de texto extraídos de internet”, explica Sinha.

PERCEPTION utiliza la expresión genética masiva publicada de tumores para entrenar previamente sus modelos.

Luego, se utilizaron datos unicelulares de líneas celulares y pacientes, aunque limitados, para ajustar los modelos.

PERCEPTION fue validada con éxito tras predecir la respuesta a la monoterapia y al tratamiento oncológico combinado en tres ensayos clínicos independientes publicados recientemente para el mieloma múltiple, el cáncer de mama y el cáncer de pulmón.

En cada caso, PERCEPTION estratificó correctamente a los pacientes en categorías de respondedores y no respondedores.

En el cáncer pulmonar, incluso captó el desarrollo de resistencia a los medicamentos a medida que avanzaba la enfermedad, un descubrimiento notable con un gran potencial.

Sinha dice que PERCEPTION no está listo para aplicarse a nivel clínico, pero el enfoque muestra que la información unicelular se puede utilizar para guiar el tratamiento.

Sinha espera fomentar la adopción de esta tecnología en las clínicas para generar más datos, que puedan utilizarse para desarrollar y perfeccionar aún más la tecnología para se aplicada a los pacientes.

“La calidad de la predicción aumenta cuando la calidad y cantidad de los datos sirven como base, sostiene Sinha.

Y concluye: Nuestro objetivo es crear una herramienta clínica que pueda predecir la respuesta al tratamiento de pacientes individuales con cáncer de forma sistemática y basada en datos.

Esperamos que estos hallazgos generen, más temprano que tarde, más información y más estudios de este tipo”.

Fuente: Nature