El aprendizaje profundo identifica patrones moleculares del cáncer
Una plataforma de inteligencia artificial desarrollada en el Max Delbrück Center for Molecular Medicine (MDC) puede analizar datos genómicos con gran rapidez, seleccionando patrones clave para clasificar diferentes tipos de tumores colorrectales y mejorar el proceso de descubrimiento de fármacos. El análisis más profundo muestra que algunos subtipos colorrectales necesitan ser reclasificados.
Las muestras de tumores se agrupan en los cuatro subtipos colorrectales estándar basados en los niveles de expresión génica. La plataforma de aprendizaje profundo maui clasificó las mismas muestras de manera similar, pero encontró que el subtipo 2 (representado en verde en la figura A) podría ser en realidad dos tipos separados (representado en verde y azul claro en la figura B).
© Akalin Lab, MDC
Un nuevo algoritmo de aprendizaje profundo puede analizar con rapidez y precisión varios tipos de datos genómicos de los tumores colorrectales para una clasificación más precisa, lo que podría ayudar a mejorar el diagnóstico y las opciones de tratamiento relacionadas, según una nueva investigación publicada en la revista Life Science Alliance.
Los tumores colorrectales son extremadamente variados en su desarrollo, requieren diferentes medicamentos y tienen tasas de supervivencia muy diferentes. A menudo, se clasifican en subtipos basados en el análisis de los niveles de expresión génica.
"La enfermedad es mucho más compleja que un solo gen", dijo Altuna Akalin, científica de bioinformática que dirige el grupo de investigación de la Plataforma de Bioinformática del Instituto de Sistemas Médicos de Berlín del MDC Biology (BIMSB). "Para apreciar la complejidad, tenemos que usar algún tipo de máquina aprendiendo a hacer uso de todos los datos."
Para observar las numerosas características contenidas en el material genético, incluyendo la expresión génica, las mutaciones de un solo punto y los números de copias de ADN, Akalin y el estudiante de doctorado Jonathan Ronen diseñaron la plataforma de Integración del Autoencoder de Multi-ómica - "maui" para abreviar.
Cómo funciona
El aprendizaje supervisado de máquinas normalmente requiere que los expertos humanos etiqueten los datos y luego entrenen un algoritmo para predecir esas etiquetas. Por ejemplo, para predecir el color de los ojos a partir de imágenes de los ojos, los investigadores primero alimentan el algoritmo con imágenes en las que el color de los ojos está etiquetado. El algoritmo aprende a identificar los diferentes colores de ojos y puede analizar independientemente los nuevos datos.
Por el contrario, el aprendizaje automático no supervisado no implica formación. Un algoritmo de aprendizaje profundo alimenta los datos sin etiquetas y los tamiza para encontrar patrones comunes o características representativas, que se denominan factores latentes. Por ejemplo, este tipo de algoritmo puede procesar imágenes de rostros que no están etiquetados de ninguna manera, y luego identificar características clave, como colores de ojos, formas de cejas, formas de nariz, sonrisas.
Como plataforma de aprendizaje profundo, maui es capaz de analizar múltiples conjuntos de datos "ómicos" e identificar los patrones o características más relevantes, en este caso, conjuntos de genes o vías hacia el cáncer colorrectal. Indikatoren für Darmkrebs, zu erkennen.
¿Reclasificar subtipos?
maui identificó patrones asociados con los cuatro subtipos establecidos de cáncer colorrectal, asignando tumores a subtipos con alta precisión. También hizo un descubrimiento interesante. La plataforma encontró un patrón que sugiere que un subtipo (CMS2) podría necesitar ser dividido en dos grupos separados. Los tumores tienen diferentes mecanismos y tasas de supervivencia. El equipo sugiere más investigación para verificar si el subtipo es único o tal vez representativo de la diseminación del tumor. Aún así, demuestra el poder de la plataforma para tomar todos los datos, en lugar de sólo los genes conocidos asociados con una enfermedad, y producir una visión más profunda.
"La ciencia de datos puede manejar datos complejos que son difíciles de manejar de otras maneras y que tienen sentido", dijo Akalin. "Puedes alimentarlo con todo lo que tienes de los tumores y encuentra patrones significativos."
Más rápido, mejor
El programa no sólo era más preciso, sino que también funciona mucho más rápido que otros algoritmos de aprendizaje de máquina: tres minutos para seleccionar 100 patrones, en comparación con otros programas que tardaban 20 minutos y 11 horas.
"Es capaz de aprender órdenes de magnitud más factores latentes, a una fracción del tiempo de cálculo", dijo Jonathan Ronen, primer autor de la investigación.
El equipo se sorprendió de lo rápido que funciona el sistema, especialmente porque no tenían que usar tarjetas gráficas que normalmente ayudan a acelerar los cálculos. Esto muestra cuán extremadamente bien optimizado, o eficiente, está el algoritmo, aunque continúan encontrando formas de afinar aún más el sistema.
Mejorar el descubrimiento de fármacos
El equipo, que también incluía al biólogo computacional de Bayer AG Sikander Hayat, adaptó su programa para analizar líneas celulares tomadas de tumores y cultivadas en laboratorios para investigar los efectos de posibles tratamientos farmacológicos. Sin embargo, las líneas celulares difieren de los tumores reales en muchos aspectos a nivel molecular. El equipo usó maui para comparar las líneas celulares que se usan actualmente para probar los medicamentos contra el cáncer colorrectal para ver qué tan estrechamente se relacionaban con los tumores reales. Se encontró que casi la mitad de las líneas estaban más relacionadas con otras líneas celulares que con tumores reales. Se encontró que un puñado eran las mejores líneas que representaban más de cerca las diferentes clases de tumores del CCR.
Aunque la investigación para el descubrimiento de fármacos se está alejando de las líneas celulares, este conocimiento podría ayudar a maximizar el impacto potencial de la investigación en líneas celulares, y podría adaptarse a otros tipos de herramientas de pruebas de fármacos basadas en la genética.
Google para los tumores
Ahora que se ha establecido la plataforma de aprendizaje profundo para el cáncer colorrectal, se podría utilizar para analizar los datos de los nuevos pacientes. "Piensa en esto como en un motor de búsqueda", dijo Akalin.
Un médico podría introducir los datos genéticos del nuevo paciente en maui para encontrar la coincidencia más cercana para clasificar el tumor de forma rápida y precisa. La plataforma podría aconsejar qué fármacos se han utilizado en los tumores más parecidos y qué tan bien han funcionado, ayudando así a predecir las respuestas de los fármacos y las perspectivas de supervivencia.
Por ahora, esto podría tener lugar en un entorno de investigación sólo después de que los médicos hayan probado los protocolos establecidos. Es un largo camino para que una prueba o sistema sea aprobado para uso clínico, dijo Akalin. El equipo está explorando el potencial de comercialización con la ayuda del Programa Acelerador de Salud Digital del Instituto de Salud de Berlín. También están en el proceso de adaptar el maui para otros tipos de cáncer.
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
