Los métodos de IA pueden ayudarnos a perfeccionar las combinaciones de fármacos. Crédito: Matti Ahlgren, Universidad Aalto
Un modelo de aprendizaje automático desarrollado en Finlandia puede ayudarnos a tratar el cáncer de forma más eficaz.
Cuando los profesionales de la salud tratan a pacientes que padecen cánceres avanzados, generalmente necesitan utilizar una combinación de diferentes terapias. Además de la cirugía del cáncer, los pacientes suelen ser tratados con radioterapia, medicación o ambos.
La medicación se puede combinar con diferentes fármacos que actúan sobre diferentes células cancerosas. Las terapias con medicamentos combinatorios a menudo mejoran la eficacia del tratamiento y pueden reducir los efectos secundarios dañinos si se puede reducir la dosis de los medicamentos individuales. Sin embargo, el cribado experimental de combinaciones de fármacos es muy lento y costoso y, por lo tanto, a menudo no logra descubrir todos los beneficios de la terapia de combinación. Con la ayuda de un nuevo método de aprendizaje automático, se podrían identificar las mejores combinaciones para matar selectivamente las células cancerosas con una estructura genética o funcional específica.
Investigadores de la Universidad Aalto, la Universidad de Helsinki y la Universidad de Turku en Finlandia desarrollaron un modelo de aprendizaje automático que predice con precisión cómo las combinaciones de diferentes medicamentos contra el cáncer destruyen varios tipos de células cancerosas. El nuevo modelo de IA se entrenó con un gran conjunto de datos obtenidos de estudios anteriores, que habían investigado la asociación entre fármacos y células cancerosas. “El modelo aprendido por la máquina es en realidad una función polinomial familiar de las matemáticas escolares, pero muy compleja”, dice el profesor Juho Rousu de la Universidad de Aalto.
Los resultados de la investigación fueron publicados en la prestigiosa revista Comunicaciones de la naturaleza, lo que demuestra que el modelo encontró asociaciones entre fármacos y células cancerosas que no se habían observado previamente. ‘El modelo da resultados muy precisos. Por ejemplo, los valores del llamado coeficiente de correlación fueron más de 0,9 en nuestros experimentos, lo que apunta a una excelente fiabilidad ”, dice el profesor Rousu. En las mediciones experimentales, un coeficiente de correlación de 0,8-0,9 se considera confiable.
El modelo predice con precisión cómo una combinación de fármacos inhibe selectivamente células cancerosas particulares cuando el efecto de la combinación de fármacos sobre ese tipo de cáncer no se ha probado previamente. “Esto ayudará a los investigadores del cáncer a priorizar qué combinaciones de fármacos elegir entre miles de opciones para futuras investigaciones”, dice el investigador Tero Aittokallio del Instituto de Medicina Molecular de Finlandia (FIMM) de la Universidad de Helsinki.
El mismo enfoque de aprendizaje automático podría usarse para enfermedades no cancerosas. En este caso, el modelo tendría que volver a enseñarse con datos relacionados con esa enfermedad. Por ejemplo, el modelo podría usarse para estudiar cómo diferentes combinaciones de antibióticos afectan las infecciones bacterianas o qué tan efectivamente diferentes combinaciones de medicamentos matan las células que han sido infectadas por el coronavirus SARS-Cov-2.
Referencia: 1 de diciembre de 2020, Comunicaciones de la naturaleza.
DOI: 10.1038 / s41467-020-19950-z
