Big Data e IA se encuentran con la investigación del cáncer

Nuevo enfoque aprovecha la inteligencia artificial, el aprendizaje automático y los macrodatos para descubrir fármacos multifuncionales

Muchos pacientes con cáncer se someten a tratamientos con múltiples fármacos, cada uno de los cuales ataca el cáncer de forma diferente, por lo que la combinación combate el cáncer en muchos frentes. Pero más medicamentos significan mayores riesgos de efectos secundarios.

“La mayoría de las terapias contra el cáncer son ahora un tratamiento combinado”, dice Avinash (Avi) Sahu, PhD, profesor asistente en el Centro Integral del Cáncer de la Universidad de Nuevo México. Sahu se unió a la UNM desde Harvard y el Instituto del Cáncer Dana-Farber. “Queríamos encontrar medicamentos que pudieran suprimir dos vías que causan cáncer al mismo tiempo”.

Pero en lugar de pasar horas en un laboratorio, Sahu recurrió a su computadora.

Sahu y su equipo de investigación crearon dos enfoques. El primero, llamado BiopotentR, utiliza datos genómicos disponibles públicamente para encontrar medicamentos que puedan atacar el cáncer de múltiples maneras e identificar los genes a los que se dirigen los medicamentos. El segundo aplica métodos de aprendizaje automático a esta información para predecir cómo responderán las personas a la inmunoterapia.

El aprendizaje automático es similar a la forma en que las personas aprenden. Así como las personas aprenden cosas nuevas, como andar en bicicleta o conducir un automóvil, a través de mucha experiencia, el aprendizaje automático impulsado por computadora asimila grandes cantidades de datos y obtiene patrones que luego puede aplicar a otras tareas.

Pero los datos de la investigación del cáncer por sí solos no fueron suficientes para que Sahu y su equipo predijeran cómo respondería la gente a un fármaco. Necesitaban datos biológicos adicionales que luego pudieran aplicar a pacientes con cáncer y respuestas a medicamentos contra el cáncer. En términos de aprendizaje automático, necesitaban aprender del contexto biológico y aplicar ese conocimiento al contexto del cáncer; es una técnica llamada transferencia de aprendizaje.

Sahu y su equipo se asociaron con una empresa para encontrar un compuesto que se dirigiera al principal candidato a gen del cáncer que identificaron usando BipotentR. En las pruebas preclínicas, confirmaron que sus predicciones eran precisas.

Pero el trabajo se puede ampliar, dice Sahu.

“Cuando los tumores tienen objetivos farmacológicos multifuncionales hiperactivos, es menos probable que los pacientes respondan a la inmunoterapia”, dice. “Sin embargo, los pacientes con este tipo de tumores podrían beneficiarse potencialmente de una combinación de inmunoterapia y medicamentos multifuncionales”.

El trabajo del equipo no se limita solo al metabolismo y los objetivos inmunitarios; se puede adaptar para explorar cualquiera de los dos factores para encontrar mejores fármacos multipropósito. Sahu dice que este enfoque presenta una oportunidad emocionante para nuevas investigaciones en una variedad de proyectos centrados en el cáncer.

Y un descubrimiento de fármacos más rápido significa una medicina personalizada más precisa.

Acerca de Avinash Sahu, PhD

Avinash Sahu, PhD, es profesor asistente en la Facultad de Medicina de la Universidad de Nuevo México, en el Departamento de Medicina Interna, División de Informática Traslacional. Se unió a la facultad de la UNM en enero de 2023. El Dr. Sahu tiene un doctorado de la Universidad de Maryland. Su investigacion se centra en aplicaciones de aprendizaje automático y aprendizaje profundo para mejorar la comprensión y el tratamiento del cáncer.

Referencia de papel

"El descubrimiento de objetivos para fármacos antitumorales inmunometabólicos identifica el receptor alfa relacionado con el estrógeno" se publicó en línea el 27 de enero de 2023 en Cancer Discovery (https://aacrjournals.org/cancerdiscovery). Los autores son: Avinash D. Sahu, Xiaoman Wang, Phillip Munson, Jan Klomp, Xiaoqing Wang, Shengqing Gu, Gege Qian, Phillip Nicol, Zexian Zeng, Chenfei Wang, Collin Tokheim, Wubing Zhang, Jingxin Fu, Jin Wang, Nishanth U. Nair, Joost Rens, Meriem Bourajjaj, Bas Jansen, Inge Leenders, Jaap Lemmers, Mark Musters, Sanne van Zanten, Laura van Zelst, Jenny Worthington, Myles Brown, Jun S. Liu, Dejan Juric, Cliff A. Meyer, Arthur Oubrie, X. Shirley Liu, David E. Fisher, Keith T. Flaherty.