La herramienta de IA predice las respuestas a la terapia contra el cáncer utilizando información de cada célula del tumor

Con más de 200 tipos de cáncer y cada cáncer individualmente único, los esfuerzos en curso para desarrollar tratamientos oncológicos de precisión siguen siendo abrumadores. La mayor parte de la atención se ha centrado en desarrollar ensayos o análisis de secuenciación genética para identificar mutaciones en los genes causantes del cáncer y luego tratar de combinar tratamientos que puedan funcionar contra esas mutaciones.

Pero muchos, si no la mayoría, de los pacientes con cáncer no se benefician de estas terapias dirigidas tempranas. En un nuevo estudio publicado en la revista Cáncer de la naturalezaprimer autor Sanju Sinha, Ph.D., profesor asistente en el Programa de Terapéutica Molecular del Cáncer en Sanford Burnham Prebys, con los autores principales Eytan Ruppin, MD, Ph.D., y Alejandro Schaffer, Ph.D., en el National Cancer Institute, parte de los Institutos Nacionales de Salud (NIH), y sus colegas, describen un proceso computacional, el primero de su tipo, para predecir sistemáticamente la respuesta del paciente a los medicamentos contra el cáncer con resolución unicelular.

Denominado Planificación personalizada de tratamientos en oncología basada en expresiones unicelulares, o PERCEPCIÓN, el nuevo enfoque basado en inteligencia artificial profundiza en la utilidad de la transcriptómica: el estudio de los factores de transcripción, las moléculas de ARN mensajero expresadas por genes que transportan y convierten el ADN. información en acción.

«Un tumor es una bestia compleja y en evolución. El uso de la resolución unicelular puede permitirnos abordar ambos desafíos», dice Sinha. «PERCEPTION permite el uso de información rica dentro de ómicas unicelulares para comprender la arquitectura clonal del tumor y monitorear la aparición de resistencia». (En biología, la ómica se refiere a la suma de los constituyentes dentro de una célula).

Sinha dice: «La capacidad de monitorear la aparición de resistencia es la parte más emocionante para mí. Tiene el potencial de permitirnos adaptarnos a la evolución de las células cancerosas e incluso modificar nuestra estrategia de tratamiento».

Sinha y sus colegas utilizaron el aprendizaje por transferencia, una rama de la IA, para desarrollar la PERCEPCIÓN.

«Los datos limitados unicelulares de las clínicas fueron nuestro mayor desafío. Un modelo de IA necesita grandes cantidades de datos para comprender una enfermedad, de manera similar a cómo ChatGPT necesita enormes cantidades de datos de texto extraídos de Internet», explica Sinha.

PERCEPTION utiliza la expresión genética masiva publicada de tumores para entrenar previamente sus modelos. Luego, se utilizaron datos unicelulares de líneas celulares y pacientes, aunque limitados, para ajustar los modelos.

PERCEPTION se validó con éxito al predecir la respuesta a la monoterapia y al tratamiento combinado en tres ensayos clínicos independientes publicados recientemente para mieloma múltiple, cáncer de mama y cáncer de pulmón. En cada caso, PERCEPTION estratificó correctamente a los pacientes en categorías de respondedores y no respondedores. En el cáncer de pulmón, incluso captó el desarrollo de resistencia a los medicamentos a medida que avanzaba la enfermedad, un descubrimiento notable con un gran potencial.

Sinha dice que PERCEPTION no está listo para las clínicas, pero el enfoque muestra que la información unicelular se puede utilizar para guiar el tratamiento. Espera fomentar la adopción de esta tecnología en las clínicas para generar más datos, que puedan utilizarse para desarrollar y perfeccionar aún más la tecnología para uso clínico.

«La calidad de la predicción aumenta con la calidad y cantidad de los datos que sirven como base», dice Sinha. «Nuestro objetivo es crear una herramienta clínica que pueda predecir la respuesta al tratamiento de pacientes individuales con cáncer de manera sistemática y basada en datos. Esperamos que estos hallazgos impulsen más datos y más estudios de este tipo, más temprano que tarde».