El aprendizaje automático ayuda a predecir cuándo será efectiva la inmunoterapia
La inmunoterapia y el aprendizaje automático se unen para ayudar al sistema inmunitario del cuerpo a descifrar uno de sus mayores misterios
Cuando se trata de defenderse, el cuerpo se apoya en el ataque gracias a los sistemas linfático e inmunitario. El sistema inmunitario es como la fuerza policial personal del cuerpo, ya que caza y elimina a los villanos patógenos.
Photo by National Cancer Institute on Unsplash
"El sistema inmunitario del cuerpo es muy bueno para identificar las células que actúan de forma extraña. Entre ellas hay células que podrían convertirse en tumores o cáncer en el futuro", explica Federica Eduati, del departamento de Ingeniería Biomédica de la TU/e. "Una vez detectadas, el sistema inmunitario ataca y mata las células".
Detener el ataque
Pero no siempre es tan sencillo, ya que las células tumorales pueden desarrollar formas de esconderse del sistema inmunitario.
"Por desgracia, las células tumorales pueden bloquear la respuesta inmunitaria natural. Las proteínas de la superficie de una célula tumoral pueden desactivar las células inmunitarias y ponerlas en modo de reposo", explica Oscar Lapuente-Santana, investigador del grupo de Biología Computacional.
Afortunadamente, hay una forma de despertar a las células inmunitarias y restaurar su inmunidad antitumoral, y se basa en la inmunoterapia".
Presentación de la inmunoterapia
La inmunoterapia es un tratamiento contra el cáncer que ayuda al sistema inmunitario en su lucha contra las células cancerosas. Un tipo de inmunoterapia consiste en los bloqueadores de puntos de control inmunitarios (BCI), que son fármacos que indican a las células inmunitarias que ignoren las órdenes de desconexión procedentes de las células cancerosas.
El descubrimiento de los BCI ha sido revolucionario para el tratamiento del cáncer, y James P. Allison y Tasuku Honjo fueron galardonados conjuntamente con el Premio Nobel de Fisiología o Medicina 2018 por su trabajo sobre los BCI.
Aunque el BCI se ha utilizado con éxito para tratar a un montón de pacientes y diferentes tipos de cáncer, solo un tercio de los pacientes responden al tratamiento.
"El ICB ha tenido un gran impacto, pero podría ser mayor si pudiéramos averiguar rápidamente qué pacientes tienen más probabilidades de responder al tratamiento", dice Eduati. "Y también sería estupendo si pudiéramos entender por qué otros pacientes no responden al ICB".
Para resolver este problema, Lapuente-Santana y Eduati, junto con sus colegas Maisa van Genderen (TU/e), Peter Hilbers (TU/e) y Francesca Finotello (Universidad Médica de Innsbruck), recurrieron al aprendizaje automático para predecir cómo podrían responder los pacientes al BCI. Su trabajo acaba de publicarse en la revista Patterns.
Búsqueda en el microentorno tumoral
Para predecir si un paciente responderá al BCI, los investigadores tuvieron que encontrar primero biomarcadores concretos en las muestras tumorales de los pacientes.
"Los tumores no sólo contienen células tumorales, sino también varios tipos diferentes de células inmunitarias y fibroblastos, que pueden tener un papel pro o antitumoral, y se comunican entre sí", explica Lapuente-Santana. "Necesitábamos averiguar cómo los complejos mecanismos reguladores del microambiente tumoral afectan a la respuesta al BCI. Recurrimos a los conjuntos de datos de secuenciación de ARN para obtener una representación de alto nivel de varios aspectos del microambiente tumoral".
Para encontrar los mecanismos adecuados que pudieran servir de biomarcadores para predecir la respuesta de los pacientes al BCI, el equipo buscó en el microambiente de los tumores utilizando algoritmos computacionales y conjuntos de datos procedentes de la atención de pacientes clínicos anteriores.
"Los conjuntos de datos de secuenciación de ARN están disponibles públicamente, pero la información sobre qué pacientes respondieron a la terapia ICB sólo está disponible para un pequeño subconjunto de pacientes y tipos de cáncer", dice Eduati. "Así que utilizamos un truco para resolver el problema de los datos".
El truco
Para su truco, en lugar de buscar la respuesta biológica real al tratamiento con ICB, los investigadores eligieron varias respuestas inmunitarias sustitutivas de los mismos conjuntos de datos. A pesar de no ser la respuesta primaria al ICB, juntas podían utilizarse como indicador de la eficacia del ICB.
Gracias a este enfoque, el equipo pudo utilizar un gran conjunto de datos públicos con miles de muestras de pacientes para entrenar de forma robusta los modelos de aprendizaje automático.
"Un reto importante de este trabajo fue el entrenamiento adecuado de los modelos de aprendizaje automático. Al observar las respuestas inmunitarias sustitutivas durante el proceso de entrenamiento, pudimos resolverlo", afirma Lapuente-Santana.
Una vez establecidos los modelos de aprendizaje automático, los investigadores probaron la precisión del modelo en diferentes conjuntos de datos en los que se conocía la respuesta real al tratamiento con ICB. "Descubrimos que, en general, nuestro modelo de aprendizaje automático supera a los biomarcadores que se utilizan actualmente en el ámbito clínico para evaluar los tratamientos del ICB", afirma Eduati.
Pero, ¿por qué Eduati, Lapuente-Santana y sus colegas recurren a modelos matemáticos para resolver un problema de tratamiento médico? ¿Sustituirá esto al médico? "Los modelos matemáticos pueden proporcionar una gran imagen de cómo están interconectadas las moléculas y las células individuales, y al mismo tiempo aproximar el comportamiento de los tumores en un paciente concreto. En el ámbito clínico, esto significa que el tratamiento de inmunoterapia con ICB puede personalizarse para un paciente. Es importante recordar que los modelos pueden ayudar a los médicos en sus decisiones sobre el mejor tratamiento, no los sustituyen", dice Eduati.
Además, el modelo también ayuda a comprender qué mecanismos biológicos son importantes para la respuesta biológica. Comprender e identificar los mecanismos que median la respuesta del BCI puede orientar la mejor manera de combinar el BCI con otros tratamientos para mejorar su eficacia clínica. Sin embargo, esto requerirá primero la validación experimental de los mecanismos identificados antes de trasladar estos resultados al ámbito clínico.
Atrévete a soñar
El enfoque de aprendizaje automático presentado en el artículo también fue utilizado por algunos de los investigadores para participar en un reto DREAM llamado "Anti-PD1 Response Prediction DREAM Challenge".
DREAM es una organización que se dedica a realizar retos de origen colectivo relacionados con algoritmos en biomedicina. "Quedamos en primer lugar en uno de los subdesafíos y competimos bajo el nombre de equipo cSysImmunoOnco", añade Eduati.
Puede que nuestro sistema inmunitario sea un eficiente detective y cazador de enfermedades, pero de vez en cuando necesita una ayuda para erradicar a villanos escurridizos como las células cancerosas. La inmunoterapia con bloqueadores de puntos de control inmunitarios es uno de esos enfoques, pero no funciona para todos.
Lapuente-Santana, Eduati y sus colegas se han atrevido a soñar, y su trabajo podría resultar fundamental para identificar rápidamente a quienes podrían ser tratados con éxito con BCI en el futuro.
Gracias al aprendizaje automático, los investigadores esperan poder administrar rápidamente tratamientos oncológicos adecuados y eficaces a pacientes concretos.
Y para algunas células cancerosas, esto significa que podría no haber lugar para correr, ni para esconderse.
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.
Más noticias del departamento ciencias
Reciba la industria de las ciencias biológicas en su bandeja de entrada
No se pierda nada a partir de ahora: Nuestro boletín electrónico de biotecnología, productos farmacéuticos y ciencias de la vida le pone al día todos los martes y jueves. Las últimas noticias del sector, los productos más destacados y las innovaciones, de forma compacta y fácil de entender en su bandeja de entrada. Investigado por nosotros para que usted no tenga que hacerlo.
