Una nueva IA descubre patrones ocultos en los grafos de conocimiento biomédico
La IA interpretable conecta genes, enfermedades y fármacos
Un nuevo método de inteligencia artificial (IA) llamado BioPathNet ayuda a los investigadores a buscar sistemáticamente conexiones ocultas en grandes redes de datos biológicos, desde funciones génicas y mecanismos de enfermedad hasta posibles enfoques terapéuticos. BioPathNet ha sido desarrollado por equipos de Helmholtz Múnich y Mila - Instituto Quebequense de Inteligencia Artificial de Montreal (Canadá). Los investigadores presentan el método en la revista Nature Biomedical Engineering.
La IA interpretable conecta genes, enfermedades y fármacos
Los "grafos de conocimiento" biomédico son mapas estructurados que enlazan genes, proteínas, enfermedades, fármacos y procesos biológicos, capturando sus relaciones para ayudar tanto a los humanos como a la IA a entender la biología y la medicina de forma sistemática. Sin embargo, estas redes siguen estando incompletas: muchas relaciones que los investigadores esperan que existan aún no se han documentado.
BioPathNet es un método de IA para analizar estos grafos de conocimiento biomédico. A diferencia de muchos de los métodos existentes, no se limita a analizar puntos de datos individuales, sino cadenas enteras de relaciones: por ejemplo, desde un gen, pasando por una vía de señalización, hasta una enfermedad y un posible fármaco. "A partir de miles de estos patrones, el modelo aprende qué conexiones nuevas y biológicamente plausibles son probables", explica Emy Yue Hu, primera autora del estudio y estudiante de doctorado en el Instituto de Biología Computacional (ICB) del Helmholtz de Múnich. "Sobre esta base, BioPathNet propone hipótesis que luego podemos probar en el laboratorio o en estudios clínicos". Una ventaja clave de BioPathNet es que sus predicciones son interpretables: para cada sugerencia, el modelo puede rastrear qué caminos en el grafo de conocimiento condujeron a esa predicción.
Convertir datos en hipótesis comprobables
En pruebas exhaustivas, el equipo dirigido por la Dra. Annalisa Marsico, jefa de grupo en el ICB e investigadora principal del proyecto, aplicó BioPathNet a una amplia gama de tareas: predecir funciones génicas, descubrir relaciones entre enfermedades, identificar posibles dianas para la terapia del cáncer y sugerir nuevas indicaciones para fármacos ya establecidos. En el caso de enfermedades complejas como la leucemia, el cáncer gástrico y la enfermedad de Alzheimer, BioPathNet no sólo redescubrió terapias conocidas, sino que también puso de relieve compuestos que ya se están probando en ensayos clínicos. "Para nosotros era crucial no construir otro modelo de caja negra", subraya Marsico. "Para cada predicción podemos inspeccionar los caminos más importantes en el gráfico y discutir con expertos del dominio si tienen sentido biológico".
BioPathNet no es, por tanto, un motor de recomendación automática de terapias, sino una herramienta de generación de hipótesis: la calidad de sus sugerencias depende de los datos subyacentes, y cada conexión predicha debe validarse experimental o clínicamente. A largo plazo, los investigadores ven el método como un elemento básico para crear modelos de grafos de conocimiento biomédico que puedan ajustarse a muchas tareas diferentes, desde la reutilización de fármacos y la disección de mecanismos patológicos hasta aplicaciones más allá de la medicina. "Nuestro objetivo no es una cura milagrosa impulsada por la IA", afirma Marsico. "Queremos una herramienta que nos ayude a hacer un mejor uso de las redes de datos biomédicos existentes y a aportar nuevas y buenas ideas para experimentos y terapias".
Unir disciplinas para crear BioPathNet
La idea de BioPathNet surgió durante una estancia de investigación de Emy Yue Hu en Mila. En un principio había planeado trabajar allí en un proyecto sobre contaminación atmosférica, pero los datos disponibles resultaron no ser adecuados. Junto con sus supervisores, buscó un nuevo tema de investigación basado en datos, y llegó a los grandes grafos de conocimiento biomédico, que ya contienen una gran cantidad de información dispersa sobre genes, enfermedades y terapias. Los conocimientos del equipo de aprendizaje automático de Mila fueron cruciales para desarrollar los algoritmos subyacentes a BioPathNet, que se basa en el marco de redes neuronales de grafos NBFNet, lo que garantiza tanto la capacidad predictiva como la interpretabilidad. "BioPathNet sólo ha sido posible gracias a la interdisciplinariedad del equipo", afirma Hu. "Expertos en biología computacional, matemáticas, biofísica e informática colaboraron estrechamente en las sedes de Montreal y Múnich". Como herramienta de código abierto, BioPathNet está ahora a disposición de investigadores de todo el mundo para explorar mecanismos biomédicos.
Nota: Este artículo ha sido traducido utilizando un sistema informático sin intervención humana. LUMITOS ofrece estas traducciones automáticas para presentar una gama más amplia de noticias de actualidad. Como este artículo ha sido traducido con traducción automática, es posible que contenga errores de vocabulario, sintaxis o gramática. El artículo original en Inglés se puede encontrar aquí.
Publicación original
Más noticias del departamento ciencias
