IA contra la leucemia: Nueva herramienta acelera el diagnóstico y tratamiento

La leucemia mieloide aguda (LMA) es un cáncer poco común y agresivo que puede afectar a personas de todas las edades. Kiran Vanaja, profesor asistente de investigación en bioingeniería en la Universidad de Northeastern, explica que la LMA también tiene una alta tasa de recurrencia y no existe una opción de tratamiento única para todos.

Debido a que la LMA afecta tanto la sangre como la médula ósea, los oncólogos necesitan muestras de ambas a través de análisis de sangre y una aspiración de médula ósea para determinar la composición genética particular de la enfermedad y qué tratamiento podría ser el más adecuado. A menudo, pueden pasar uno o más meses después del diagnóstico para que las personas con LMA comiencen a recibir un tratamiento potencialmente salvador. Según Vanaja, la “edad media de supervivencia es de menos de cinco años después del diagnóstico inicial”, por lo que el tiempo es esencial.

Vanaja, con sede en el Roux Institute de Northeastern en Portland, Maine, recibió recientemente una patente por una herramienta de inteligencia artificial que, según espera, ahorrará tiempo.

La nueva herramienta incluye una plataforma que puede ayudar a los oncólogos no solo a diagnosticar la enfermedad, sino también a mapear las numerosas mutaciones genéticas en un paciente determinado que podrían haber causado su LMA. Una vez mapeadas las mutaciones, la plataforma también incluye un modelo computacional conocido como red neuronal que puede sugerir posibles fármacos para un paciente individual y determinar la probabilidad de que el paciente desarrolle resistencia a esos fármacos.

Vanaja afirma que la herramienta podría reducir el tiempo preliminar desde el diagnóstico hasta el tratamiento de semanas a una sola noche.

Los bloques de LEGO de la vida

Uno de los desafíos para comprender lo que podría estar sucediendo con la LMA es comprender lo que está sucediendo dentro de las células cancerosas. Y para probar su nueva herramienta, el equipo de Vanaja tuvo que volver a los conceptos básicos de la biología celular.

Utilizando estrategias convencionales –que siguen siendo el estándar de oro, señala–, como la secuenciación de genes, la secuenciación de ARN u otras técnicas, los investigadores pueden obtener información sobre lo que hay dentro de la célula. Pero con el cáncer, Vanaja explica, lo que hay dentro de la célula no siempre coincide con cómo actúa la célula.

Las células no comienzan como células cancerosas, sino como células madre básicas que luego se especializan en diferentes tipos de tejido, ya sea de los pulmones, el hígado, las arterias o algo más.

Pero cuando una célula se vuelve cancerosa, Vanaja dice, pierde esa especialización primaria, como también aprendió el equipo cuando trató un grupo de células de LMA con terapias aprobadas por la FDA.

Muchas de las células cancerosas murieron, pero después de un par de semanas, Vanaja y su equipo observaron que las células sobrevivientes habían cambiado de manera radical. “Las células sufren una reconfiguración masiva cuando se someten a estos tratamientos contra el cáncer, porque literalmente están tratando de sobrevivir activando cualquier cosa y todo lo posible”.

Estos desesperados intentos de supervivencia terminan creando una discrepancia entre los componentes internos originales de la célula, su genotipo, y cómo se expresa externamente, su fenotipo.

Pero descubrir cuáles son estas discrepancias y desenredarlas es una tarea gigantesca.

Si pensamos en los aproximadamente 50.000 genes que conocemos de todas las especies como un enorme juego de LEGO, cada bloque encaja y se superpone para expresarse de formas únicas, dice Vanaja. La forma en que se apilan los genes también puede cambiar esa expresión. Incluso si consideramos solo la mitad de esos genes –que es aproximadamente cuántos hay en el genoma humano–, las opciones combinatorias serían enormes.

Una red neuronal de aprendizaje profundo, un tipo de modelo computacional de inteligencia artificial, dice, con sus capas de procesamiento interconectadas, es la única forma de analizar todas esas combinaciones a la velocidad que esperan lograr.

Una red neuronal se inspira en el funcionamiento del cerebro, con nodos de procesamiento, similares a las neuronas, dispuestos en capas. En una red neuronal, un nodo en una capa procesará un pequeño componente de la tarea más grande antes de decidir a qué nodo de la siguiente capa enviar el siguiente paso de la tarea.

Esto es lo que la hace tan buena para el modelado genético que Vanaja necesitaba: una red neuronal podría observar un gen a la vez, si es necesario, y calcular rápidamente cada permutación de cómo el gen se estaba expresando en la célula cancerosa.

Para aprovechar este poder en su trabajo, Vanaja y su equipo construyeron un modelo básico de IA alimentándolo con datos de genotipo y fenotipo de miles de células de aproximadamente una docena de pacientes con LMA. Luego, entrenaron y refinaron el modelo con todos los estudios científicos que pudieron encontrar que informaran sobre datos de células de LMA para que el modelo pudiera desenredar con mayor precisión las muchas combinaciones posibles de genes y cómo las células cancerosas los estaban expresando.

Vanaja continúa diciendo que esta herramienta de red neuronal no se limita a la LMA ni siquiera al cáncer, ya que la función principal de la red de IA es conectar el genotipo de la célula a su expresión fenotípica actual. La LMA fue un buen punto de partida para su investigación, dice, dada la complejidad del cáncer.

Una vez que se toman muestras de un paciente, la herramienta puede ejecutar sus predicciones y hacer sugerencias de tratamiento en el espacio de una sola noche, señala Vanaja. El siguiente paso es continuar entrenando el modelo con más muestras y comparar esos resultados con mediciones del mundo real.

La investigación futura, continúa Vanaja, también explorará la “aplicación a tumores sólidos”.