Usar el aprendizaje automático para derivar diferentes causas de los mismos síntomas

El aprendizaje automático está desempeñando un papel cada vez mayor en la investigación biomédica. Científicos de la Universidad Técnica de Munich (TUM) ahora han desarrollado un nuevo método de uso de datos moleculares para extraer subtipos de enfermedades. En el futuro, este método puede ayudar a respaldar el estudio de grupos de pacientes más grandes.

Hoy en día, los médicos definen y diagnostican la mayoría de las enfermedades en función de los síntomas. Sin embargo, eso no significa necesariamente que las enfermedades de pacientes con síntomas similares tengan causas idénticas o muestren los mismos cambios moleculares. En biomedicina, a menudo se habla de los mecanismos moleculares de una enfermedad. Esto se refiere a cambios en la regulación de genes, proteínas o vías metabólicas al inicio de la enfermedad. El objetivo de la medicina estratificada es clasificar a los pacientes en varios subtipos a nivel molecular para proporcionar tratamientos más específicos.

Para extraer subtipos de enfermedades de grandes grupos de datos de pacientes, los nuevos algoritmos de aprendizaje automático pueden ayudar. Están diseñados para reconocer de forma independiente patrones y correlaciones en mediciones clínicas extensas. El grupo de investigación junior LipiTUM, encabezado por el Dr. Josch Konstantin Pauling de la Cátedra de Bioinformática Experimental ha desarrollado un algoritmo para este propósito.

Análisis complejo a través de una herramienta web automatizada

Su método combina los resultados de los algoritmos existentes para obtener predicciones más precisas y sólidas de los subtipos clínicos. Esto unifica las características y ventajas de cada algoritmo y elimina su lento ajuste. «Esto hace que sea mucho más fácil aplicar el análisis en la investigación clínica», informa el Dr. Pauling. «Por esa razón, hemos desarrollado una herramienta basada en la web que permite el análisis en línea de datos clínicos moleculares por parte de profesionales sin conocimientos previos de bioinformática».

En el sitio web, los investigadores pueden enviar sus datos para un análisis automatizado y utilizar los resultados para interpretar sus estudios. «Otro aspecto importante para nosotros fue la visualización de los resultados. Los enfoques anteriores no eran capaces de generar visualizaciones intuitivas de las relaciones entre los grupos de pacientes, los factores clínicos y las firmas moleculares. Esto cambiará con la visualización basada en la web producida por nuestra herramienta MoSBi». dice Tim Rose, científico de la Escuela de Ciencias de la Vida TUM. MoSBi significa firmas moleculares usando biclustering. Biclustering es el nombre de la tecnología utilizada por el algoritmo.

Solicitud de preguntas clínicamente relevantes

Con la herramienta, los investigadores ahora pueden, por ejemplo, representar datos de estudios de cáncer y simulaciones para varios escenarios. Ya han demostrado el potencial de su método en un estudio clínico a gran escala. En un estudio cooperativo realizado con investigadores del Instituto Max Planck en Dresden, la Universidad Técnica de Dresden y la Clínica Universitaria de Kiel, estudiaron el cambio en el metabolismo de los lípidos en el hígado de pacientes con enfermedad del hígado graso no alcohólico (EHGNA).

Esta enfermedad generalizada está asociada con la obesidad y la diabetes. Se desarrolla desde el hígado graso no alcohólico (NAFL), en el que los lípidos se depositan en las células hepáticas, hasta la esteatohepatitis no alcohólica (NASH), en la que el hígado se inflama aún más, hasta la cirrosis hepática y la formación de tumores. Aparte de los ajustes dietéticos, no se han encontrado tratamientos hasta la fecha. Debido a que la enfermedad se caracteriza y diagnostica por la acumulación de varios lípidos en el hígado, es importante comprender su composición molecular.

Biomarcadores de enfermedad hepática

Usando los métodos MoSBi, los investigadores pudieron demostrar la heterogeneidad de los hígados de pacientes en la etapa NAFL a nivel molecular. «Desde un punto de vista molecular, las células hepáticas de muchos pacientes con NAFL eran casi idénticas a las de los pacientes con NASH, mientras que otras seguían siendo muy similares a las de los pacientes sanos. También pudimos confirmar nuestras predicciones usando datos clínicos», dice el Dr. Pauling. «Entonces pudimos identificar dos posibles biomarcadores de lípidos para la progresión de la enfermedad». Esto es importante para el reconocimiento temprano de la enfermedad y su progresión y el desarrollo de tratamientos específicos.

El grupo de investigación ya está trabajando en otras aplicaciones de su método para comprender mejor otras enfermedades. «En el futuro, los algoritmos jugarán un papel aún mayor en la investigación biomédica que el que ya tienen hoy. Pueden hacer que sea significativamente más fácil detectar mecanismos complejos y encontrar enfoques de tratamiento más específicos», dice el Dr. Pauling.

La investigación fue publicada en procedimientos de la Academia Nacional de Ciencias.