Crean modelo de IA capaz de predecir cuándo el cáncer se resiste a la quimioterapia

Ahora un grupo de científicos de la Facultad de Medicina de la Universidad de California en San Diego ha desarrollado un modelo de algoritmo de aprendizaje automático de Inteligencia Artificial (IA) que puede facilitar esta predicción.

Los investigadores analizaron un conjunto de 718 genes comúnmente utilizados en pruebas genéticas clínicas para la clasificación del cáncer, utilizando mutaciones dentro de estos genes para los estudios iniciales en células tumorales con su modelo de aprendizaje automático.

Prueba del modelo

Entrenaron su modelo con datos de respuesta a los medicamentos de acceso público, logrando identificar 41 conjuntos moleculares, que son un grupo de proteínas colaboradoras, donde las alteraciones genéticas influyen en la respuesta de los medicamentos.

Luego lo probaron específicamente en el cáncer de cuello uterino, en el que aproximadamente el 35% de los tumores persisten después del tratamiento. Y pudieron pronosticar con éxito las respuestas al cisplatino, uno de los fármacos de quimioterapia más comunes.

Precisión de la IA

De acuerdo con el artículo, publicado en la revista Cáncer Discovery, el nuevo algoritmo pudo identificar con precisión tumores que eran susceptibles a la terapia, lo que se asoció con mejores resultados para los pacientes.

Además, reconoció eficazmente los tumores que probablemente resistirían el tratamiento y gran parte de la maquinaria molecular subyacente que impulsa la resistencia al tratamiento.

Los investigadores destacaron que todas las células, incluidas las cancerosas, dependen de una maquinaria molecular compleja para replicar el ADN como parte de la división celular normal. La mayoría de las quimioterapias funcionan interrumpiendo esta maquinaria de replicación del ADN en las células tumorales que se dividen rápidamente.

Aunque los científicos reconocen que la composición genética de un tumor influye en gran medida en su respuesta específica a los medicamentos, “la multitud de mutaciones encontradas dentro de los tumores ha hecho que la predicción de la resistencia a los medicamentos sea más que desafiante”, resaltan.

Aseguran que este nuevo algoritmo supera esta barrera al explorar cómo numerosas mutaciones genéticas influyen colectivamente en la reacción de un tumor a los fármacos que impiden la replicación del ADN.

Trey Ideker, autor principal del estudio, señala en un comunicado que 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”.

“Esto se debe a que una cantidad mucho mayor de mutaciones puede moldear la respuesta al tratamiento de un tumor de lo que se pensaba anteriormente. “La inteligencia artificial cierra esa brecha en nuestra comprensión, permitiéndonos analizar una compleja gama de miles de mutaciones a la vez", explica.

El equipo de Ideker precisa que más allá de pronosticar las respuestas al tratamiento, el modelo ayudó a arrojar luz sobre su proceso de toma de decisiones al identificar los conjuntos de proteínas que impulsan la resistencia al tratamiento en el cáncer de cuello uterino.

Enfatizan que la capacidad de interpretar su razonamiento es clave para el éxito del modelo y también para construir sistemas de IA confiables.“Desentrañar el proceso de toma de decisiones de un modelo de IA es crucial, a veces tan importante como la predicción”, expuso Ideker.

Aseguran que la transparencia del modelo es uno de sus puntos fuertes, “en primer lugar, porque genera confianza, y en segundo lugar, porque cada uno de estos conjuntos moleculares que se han identificado se convierte en un nuevo objetivo potencial para la quimioterapia”.

Tienen esperanza de que esta Inteligencia Artificial tendrá amplias aplicaciones, no solo para mejorar el tratamiento actual contra el cáncer, sino también para ser pionero en otros nuevos modelos.

@Lydr05

FUENTE: Con información de la Revista Cáncer Discovery y EuropaPress