Uso del aprendizaje profundo para la terapia de precisión del cáncer

Cada año se aprueban casi 50 nuevas terapias contra el cáncer. Es una buena noticia. "Pero para los pacientes y los médicos que los tratan resulta cada vez más difícil hacer un seguimiento y seleccionar los métodos de tratamiento de los que más se beneficiarán los afectados, cada uno con sus características tumorales muy individuales", afirma la Dra. Altuna Akalin, responsable de la plataforma tecnológica de Bioinformática y Ciencia de Datos Ómicos del Instituto de Biología de Sistemas Médicos del Centro Max Delbrück de Berlín (MDC-BIMSB). La investigadora lleva tiempo trabajando en el desarrollo de herramientas que utilicen la inteligencia artificial para realizar diagnósticos más precisos y que también determinen la mejor forma de terapia adaptada a cada paciente.

El equipo de Akalin ha desarrollado ahora un conjunto de herramientas llamado Flexynesis, que no se basa únicamente en el aprendizaje automático clásico, sino que también utiliza el aprendizaje profundo para evaluar simultáneamente tipos de datos muy diferentes: por ejemplo, datos multiómicos, así como textos e imágenes especialmente procesados, como tomografías computarizadas o resonancias magnéticas. "De este modo, permite a los médicos realizar mejores diagnósticos, pronósticos y estrategias de tratamiento para sus pacientes", afirma Akalin. Flexynesis se describe con detalle en un artículo publicado en "Nature Communications".

"Estamos llevando a cabo múltiples proyectos traslacionales con médicos que quieren identificar biomarcadores a partir de datos multiómicos que se alineen con los resultados de la enfermedad", dice el Dr. Bora Uyar, primer autor y coautor de la publicación. "Aunque se han publicado muchos métodos basados en aprendizaje profundo para este fin, la mayoría han resultado ser inflexibles, ligados a tareas de modelado específicas o difíciles de instalar y reutilizar. Esa brecha nos motivó a construir Flexynesis como un conjunto de herramientas adecuado, que es flexible para diferentes tareas de modelado y empaquetado en PyPI, Guix, Docker, Bioconda y Galaxy, para que otros puedan aplicarlo fácilmente en sus propias tuberías."

La herramienta encuentra la raíz de la enfermedad

El aprendizaje profundo es un subcampo del aprendizaje automático que va más allá de las redes neuronales simples con una o dos capas computacionales, en su lugar utiliza redes profundas que operan con cientos o incluso miles de capas. "El cáncer y otras enfermedades complejas surgen de la interacción de diversos factores biológicos, por ejemplo, a nivel de ADN, ARN y proteínas", explica Akalin. Los cambios característicos a estos niveles -como la cantidad de proteína HER2 producida en el cáncer de mama o de estómago- se registran a menudo, pero normalmente no se analizan aún junto con todos los demás factores relevantes para la terapia.

Aquí es donde entra en juego Flexynesis. "Hasta ahora, las herramientas comparables eran difíciles de usar o sólo servían para responder a determinadas preguntas", afirma Akalin. "Flexynesis, en cambio, puede responder a varias preguntas médicas al mismo tiempo: por ejemplo, de qué tipo de cáncer se trata, qué fármacos son especialmente eficaces en este caso y cómo afectarán a las posibilidades de supervivencia del paciente". La herramienta también ayuda a identificar biomarcadores adecuados para el diagnóstico y el pronóstico, o -si se descubren metástasis de origen desconocido- a identificar el tumor primario. "Esto facilita el desarrollo de estrategias de tratamiento integrales y personalizadas para todo tipo de pacientes con cáncer", afirma Akalin.

Integración de datos en la clínica, incluso sin experiencia en IA

El año pasado, Akalin presentó otra herramienta basada en IA llamada Onconaut, que de forma similar ayuda a identificar la terapia contra el cáncer adecuada. "Onconaut se basa en biomarcadores conocidos, resultados de ensayos clínicos y directrices actuales, por lo que funciona según un principio completamente distinto", explica Akalin. "La herramienta no quedará obsoleta, sino que puede ser un complemento útil de Flexynesis".

Uno de los obstáculos que la nueva herramienta todavía tiene que superar, al menos en Alemania, es el hecho de que los datos multiómicos todavía no se recogen de forma rutinaria en los hospitales. "En Estados Unidos, en cambio, estos datos se discuten con frecuencia en los comités de tumores de los hospitales, donde médicos de distintas especialidades planifican conjuntamente el tratamiento de sus pacientes", afirma Akalin. Y su equipo ha demostrado que los datos pueden utilizarse para predecir con exactitud si un tratamiento concreto será eficaz. "En Alemania, los datos multiómicos detallados sólo se han utilizado hasta ahora en programas emblemáticos como el programa MASTER para cánceres raros", añade. Pero eso puede cambiar pronto.

Akalin hace hincapié en que los usuarios de su herramienta, que actualmente está dirigida principalmente a médicos e investigadores clínicos y se actualiza continuamente, no necesitan tener ningún conocimiento especial para trabajar con aprendizaje profundo. "Espero que reduzca las barreras para que los hospitales y los grupos de investigación lleven a cabo la integración de datos multimodales -es decir, el análisis simultáneo de datos ómicos, informes escritos e imágenes-, incluso sin expertos en IA a su lado", afirma. Flexynesis es fácilmente accesible en línea, junto con instrucciones para utilizar la herramienta.