Archivo - TAC, tomografía. Cerebro, médico. Neurólogo. - GORODENKOFF/ ISTOCK - Archivo
MADRID, 25 Jun. (EUROPA PRESS) -
Para un niño diagnosticado con neuroblastoma el camino hacia el tratamiento no es sencillo. Algunos tipos de neuroblastoma se resuelven espontáneamente, mientras que otros requieren una intervención agresiva.
Investigadores han intentado adaptar los tratamientos a los pacientes basándose en mutaciones de un solo gen, con un éxito limitado. Esto se debe a que el pronóstico de los pacientes depende de su perfil molecular completo, que contiene millones o incluso miles de millones de características, como el ADN y el ARN de los tejidos y la sangre.
POR QUÉ LA IA CONVENCIONAL FRACASA ANTE EL GENOMA HUMANO
Mediante el uso de las matemáticas de la mecánica cuántica, investigadores de la Universidad de Utah (Estados Unidos) desarrollaron una novedosa técnica de IA/aprendizaje automático que puede mejorar la selección de tratamientos y las tasas de éxito de los fármacos para el neuroblastoma, el cáncer infantil más común, que se produce cuando las células nerviosas inmaduras crecen sin control. Su trabajo aparece publicado en la revista 'Applied Physics Letters (APL) Quantum'.
"Es mucho más que un solo gen: todo lo que sucede en las células del paciente importa", desarrolla Orly Alter, profesora asociada de ingeniería biomédica en el Instituto de Computación Científica e Imágenes de la Universidad de Utah.
Los enfoques actuales de inteligencia artificial y aprendizaje automático (IA/AA) requieren enormes cantidades de datos de entrenamiento y, específicamente, muchísimas más muestras de pacientes que características genéticas. Esto los hace poco adecuados para predecir los resultados de los pacientes en la mayoría de los ensayos clínicos, que suelen incluir solo entre 20 y 100 personas.
Por ejemplo, un modelo lingüístico reciente a gran escala del genoma de 30.000 nucleótidos del virus COVID-19 requirió aproximadamente 110 millones de muestras. Si extrapolamos esto al genoma humano de 3.000 millones de nucleótidos, un enfoque de IA convencional necesitaría 33 billones de pacientes.
"Nuestro enfoque cuántico nos permite encontrar la información relevante en cada capa de los datos, por ejemplo, en la sangre de los pacientes, además de en sus tumores", explica Alter.
"Incluso para un número muy reducido de pacientes, podemos analizarlo todo (sus millones o miles de millones de características moleculares) y comprenderlas. Por lo tanto, podemos entender los mecanismos de la enfermedad y predecir dianas farmacológicas para mejorar los resultados de los pacientes. También validamos experimentalmente nuestras predicciones de IA/ML sobre dianas y resultados, lo que se considera un objetivo fundamental en biotecnología", afirma.
Esta técnica emplea un conjunto de algoritmos, denominados descomposiciones espectrales comparativas multitensoriales, que Alter desarrolló basándose en los conceptos de entrelazamiento y superposición de la mecánica cuántica. Al igual que un prisma que divide la luz blanca en colores individuales, este enfoque descompone las múltiples capas de datos moleculares de pacientes en patrones interconectados que predicen los resultados de salud.
DE LOS CÓDIGOS DE CÓDIGO ABIERTO A LA EDICIÓN GENÉTICA CON CRISPR
Alter y su equipo demostraron su técnica mediante el análisis de datos de código abierto de casos de neuroblastoma. Los algoritmos descubrieron dos nuevos predictores de la esperanza de vida de los pacientes en respuesta al tratamiento, y estos predictores superaron sistemáticamente a los biomarcadores estándar en el ADN tumoral y sanguíneo, así como en el ARN tumoral. Estos hallazgos se mantuvieron en distintos grupos de niños tratados en diferentes momentos y hospitales, lo que significa que el método puede aplicarse a la población general para ofrecer una guía más clara para la atención al paciente y el desarrollo de fármacos.
"Los modelos de redes neuronales son cajas negras, pero nuestros predictores son interpretables; señalan mecanismos de la enfermedad y sugieren genes a los que dirigirse para sensibilizar los tumores al tratamiento", asegura Alter. Su equipo también validó experimentalmente sus predicciones sobre los resultados de pacientes adultos con glioblastoma y las dianas farmacológicas en ensayos clínicos y estudios preclínicos, utilizando CRISPR-Cas9, la herramienta de edición genética.
Experto en medicina computacional, Alter es profesor adjunto en el Departamento de Genética Humana de la Universidad de Utah y miembro del programa de investigación de Control del Cáncer y Ciencias de la Población del Instituto Huntsman del Cáncer. Su empresa derivada de la universidad, Prism AI Therapeutics, Inc., utiliza algoritmos y predictores para ayudar a las empresas biotecnológicas y farmacéuticas a desarrollar mejor los medicamentos, identificando qué pacientes se beneficiarían más de un ensayo clínico y qué genes deberían ser el objetivo para mejorar aún más los resultados.
De cara al futuro, Alter espera que, a medida que su equipo continúe con este trabajo, puedan aplicarlo a pacientes individuales. También espera otros desafíos. "Los algoritmos son totalmente independientes de los datos y podrían tener un sinfín de aplicaciones fuera del ámbito de la medicina", finaliza, destacando la energía sostenible como una de ellas.
