Una IA para predecir cómo responderá un tumor al tratamiento

Si bien las tasas de supervivencia en tumores oncológicos han aumentado notablemente en las últimas décadas gracias a la investigación científica y al desarrollo de nuevas tecnologías, uno de los mayores desafíos a los que se enfrentan los expertos es predecir cuándo el cáncer resistirá la quimioterapia. Ahora una inteligencia artificial podría ayudar a resolver esto. De acuerdo con un estudio publicado en Cancer Discovery , científicos de la Universidad de California en San Diego aprovecharon un algoritmo de aprendizaje automático para dar una respuesta.

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. Si bien 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.

El 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. Específicamente, probaron su modelo en tumores de cáncer de cuello uterino y pronosticaron con éxito las respuestas al cisplatino, uno de los fármacos de quimioterapia más comunes. El modelo pudo identificar tumores con mayor riesgo de resistencia al tratamiento y también pudo identificar gran parte de la maquinaria molecular subyacente que impulsa la resistencia al tratamiento.

"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 – explica Trey Ideker, líder del estudio, en  un comunicado -. La razón es 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".

Los investigadores se centraron en el conjunto de 718 genes comúnmente utilizados en pruebas genéticas clínicas para la clasificación del cáncer, utilizando mutaciones dentro de estos genes como entrada inicial para su modelo de aprendizaje automático. Después de entrenarlo con datos de respuesta a los medicamentos de acceso público, el modelo identificó 41 conjuntos moleculares (grupos de proteínas colaboradoras) donde las alteraciones genéticas influyen en la eficacia de los medicamentos.

Después de entrenar su modelo, los investigadores lo pusieron a prueba en el cáncer de cuello uterino, en el que aproximadamente el 35% de los tumores persisten después del tratamiento. El modelo pudo identificar con precisión tumores que eran susceptibles a la terapia, lo que se asoció con mejores resultados para los pacientes. El modelo también identificó eficazmente los tumores que probablemente resistirían el tratamiento.

Más aún, 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. Los investigadores enfatizan que este aspecto del modelo (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 misma - concluye Ideker -. La transparencia de nuestro modelo es uno de sus puntos fuertes, 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 solo para mejorar el tratamiento actual contra el cáncer, sino también para ser pionero en otros nuevos".