Un nuevo enfoque basado en inteligencia artificial (IA) podría revolucionar la detección temprana de enfermedades hepáticas, incluyendo la cirrosis. Investigadores han descubierto que el análisis de la fragmentación del ADN libre en el torrente sanguíneo, combinado con modelos de aprendizaje automático, puede identificar estas condiciones crónicas, según un estudio publicado en Science Translational Medicine.
“Este trabajo se basa directamente en nuestras investigaciones previas sobre el fragmentoma en el cáncer, pero ahora utilizando la IA y los perfiles de fragmentación del ADN libre en el torrente sanguíneo para centrarnos en enfermedades crónicas”, explicó el Dr. Victor Velculescu, codirector del Programa de Genética y Epigenética del Cáncer en el Johns Hopkins Kimmel Cancer centre. “Para muchas de estas enfermedades, la detección temprana podría marcar una diferencia significativa, y la fibrosis y la cirrosis hepática son ejemplos importantes. La fibrosis hepática es reversible en sus primeras etapas, pero si no se detecta, puede progresar a cirrosis y, en última instancia, aumentar el riesgo de cáncer de hígado.”
Metodología y hallazgos clave del estudio
Hasta ahora, el uso de biopsias líquidas en otras enfermedades ha sido poco explorado. Los investigadores utilizaron la secuenciación del genoma completo para examinar los fragmentomas de ADN libre en 1.576 individuos, incluyendo pacientes con enfermedades hepáticas, vasculares, autoinmunes y neurodegenerativas. El análisis se centró en el tamaño de los fragmentos y su distribución a lo largo del genoma.
Desarrollaron un clasificador de aprendizaje automático para detectar signos de enfermedad hepática temprana, fibrosis avanzada y cirrosis a partir de la gran cantidad de fragmentomas analizados. Este clasificador se probó en dos grupos de pacientes (n = 423 y n = 221) y demostró una alta sensibilidad y una reactividad cruzada limitada con otras enfermedades.
El análisis de los fragmentomas y metilomas a nivel del genoma reveló cambios relacionados con el hígado y mediados por el sistema inmunitario en el ADN libre de pacientes con enfermedades hepáticas. También se encontraron cambios en los fragmentomas en personas con otras enfermedades, reflejando alteraciones específicas de su condición.
Posteriormente, se creó un modelo de aprendizaje automático utilizando los fragmentomas de ADN libre para predecir la supervivencia de pacientes con varias de las enfermedades identificadas. El modelo se probó en grupos de descubrimiento (n = 571) y validación (n = 231) por separado.
“El hecho de que no estemos buscando mutaciones individuales es lo que hace que este estudio sea tan poderoso”, señaló la autora principal, Akshaya Annapragada, estudiante de MD/PhD en el laboratorio del Dr. Velculescu. “Estamos analizando todo el fragmentoma, que contiene una gran cantidad de información sobre el estado fisiológico de una persona. La escala de estos datos, combinada con el aprendizaje automático, permite el desarrollo de clasificadores específicos para muchas condiciones de salud diferentes.”
“El fragmentoma puede servir como base para construir diferentes clasificadores para diferentes enfermedades, y lo importante es que estos clasificadores son específicos de la enfermedad y no reaccionan de forma cruzada”, añadió. “Un clasificador de fibrosis hepática es distinto de un clasificador de cáncer. Se trata de una prueba única y específica de la enfermedad, construida sobre la misma plataforma subyacente.”
DIVULGACIÓN: La investigación contó con el apoyo, en parte, de la Dr. Miriam y Sheldon G. Adelson Medical Research Foundation, SU2C in-Time Lung Cancer Interception Dream Team Grant, Stand Up to Cancer-Dutch Cancer Society International Translational Cancer Research Dream Team Grant, la Gray Foundation, The Honorable Tina Brozman Foundation, la Commonwealth Foundation, la Mark Foundation for Cancer Research, la Danaher Foundation y ARCS Metro Washington Chapter, la Family of Dan Y. Zhang AACR Scholar in Training Award, la Cole Foundation y subvenciones de los National Institutes of Health. Para obtener información completa sobre las divulgaciones de los autores del estudio, visite science.org.
