Archivo - El médico y el paciente analizan un modelo corporal holográfico. Debates tecnológicos sobre la optimización de la atención sanitaria y la precisión diagnóstica. Enfoques de tratamiento personalizados en un entorno de atención médica futurista - GORODENKOFF/ ISTOCK - Archivo
MADRID, 28 Ene. (EUROPA PRESS) -
La oncología de precisión promete tratamientos personalizados según el perfil molecular del tumor, pero en la práctica los datos que sostienen esa promesa están llenos de ruido. En los grandes estudios preclínicos, miles de fármacos se prueban en cientos de líneas celulares, pero las diferencias biológicas no medidas pueden crear pistas falsas y ocultar relaciones reales.
Ahora, un equipo de expertos ha presentado un nuevo método computacional que busca separar las señales reales de los datos erróneos. Según los investigadores, esta herramienta podría ayudar a identificar tratamientos más efectivos de forma más rápida y con menos margen de error, algo clave para el futuro de los tratamientos personalizados.
¿POR QUÉ FALLAN LOS ESTUDIOS ACTUALES DE ONCOLOGÍA DE PRECISIÓN?
Un nuevo artículo de expertos de Phillips Academy (Estados Unidos) publicado en 'Biology Methods and Protocols' por Oxford University Press, indica que un nuevo método computacional puede ayudar a los investigadores a identificar tratamientos de precisión efectivos para el cáncer de manera más rápida y eficiente.
La Oncología de precisión es un enfoque prometedor, recientemente desarrollado, para el tratamiento del cáncer, en el que los profesionales adaptan las terapias al perfil molecular único del tumor de cada paciente. La terapia actual contra el cáncer depende cada vez más de encontrar el fármaco adecuado para cada paciente.
Estudios a gran escala evalúan miles de fármacos en cientos de líneas celulares cancerosas para encontrar marcadores biológicos genéticos que predigan su eficacia. Sin embargo, en la práctica, estos datos son extremadamente erróneos. Detalles ocultos que distraen (diferencias biológicas no medidas entre líneas celulares) pueden generar pistas falsas y hacer que los investigadores pasen por alto señales importantes.
La implementación eficaz de tratamientos oncológicos de precisión depende de herramientas de descubrimiento preclínico, en particular de los cribados médicos a gran escala. Estos cribados evalúan fármacos en cientos de líneas celulares cancerosas, cada una representando un tipo de tumor diferente, para descubrir las características genómicas que predicen su eficacia.
Sin embargo, un modelo basado únicamente en las características observadas es insuficiente, ya que la respuesta a los fármacos depende de una multitud de variables no observadas que reflejan propiedades ocultas tanto de las líneas celulares cancerosas como de los fármacos. Por ejemplo, la respuesta de una línea celular suele estar determinada por la posición de un tumor en el cuerpo del paciente, algo que rara vez se mide directamente en los cribados. La presencia de variables no observadas como esta genera problemas de datos que pueden enmascarar asociaciones verdaderas entre fármacos y genes o crear asociaciones falsas.
Los investigadores generaron un marco propuesto, denominado Estimación Estructurada Ortogonal de Variables Latentes (SOLVE), para superar los desafíos presentados anteriormente mediante la modelización conjunta y explícita de las contribuciones de factores ocultos no observados junto con predictores específicos conocidos de fármacos contra el cáncer dentro de un modelo único y unificado.
Se trata de un nuevo marco estadístico diseñado para separar las relaciones significativas entre genes y fármacos de este ruido de fondo oculto. SOLVE analiza tres datos a la vez: las características genéticas de cada línea celular, las propiedades químicas de cada fármaco y un tercer componente latente que representa la biología no medida.
¿QUÉ ES SOLVE Y POR QUÉ IMPORTA?
Una característica clave del método, según los autores, es que obliga a este componente latente a capturar únicamente lo que no puede explicarse con los datos medidos, lo que permite identificar e interpretar las diferentes contribuciones dentro del modelo.
Los investigadores creen que SOLVE ofrece una solución de un solo paso y de formato cerrado para la regresión estándar, así como un algoritmo repetible que también funciona para problemas de clasificación, como la predicción de respuestas sensibles y resistentes a los fármacos.
Aplicado a dos importantes fuentes de datos sobre el cáncer, la Enciclopedia de Líneas Celulares del Cáncer y la Iniciativa de Cribado de Líneas Celulares de Genentech, los investigadores descubrieron que SOLVE reveló relaciones bien establecidas, como el vínculo crucial entre el gen EGFR (el gen que proporciona instrucciones para una proteína que ayuda a controlar el crecimiento y la división celular) y los fármacos que lo inhiben, algo que los métodos alternativos no habían logrado.
Al separar con mayor precisión los predictores medidos de las variables ocultas, los investigadores creen que SOLVE ofrece una herramienta computacional robusta para el descubrimiento de biomarcadores y para investigar por qué algunos tumores responden al tratamiento mientras que otros no. Esto tiene implicaciones directas para la oncología de precisión y podría adaptarse a otros estudios biomédicos complejos.
