La herramienta crossNN permite diagnosticar con precisión más de 170 tipos de cáncer a través de datos epigenéticos, incluso con información genética incompleta o de distintas plataformas.
Un nuevo avance en inteligencia artificial (AI) desarrollado por científicos europeos del Hospital Charité de Berlín, promete mejorar significativamente el diagnóstico del cáncer. Los científicos presentaron la herramienta crossNN, un modelo de aprendizaje automático o machine learning capaz de identificar tumores con gran precisión utilizando datos de metilación del ADN, incluso si estos provienen de distintas plataformas tecnológicas o están incompletos. Los resultados del estudio fueron publicados en la revista Nature Cancer.
La metilación del ADN es un proceso epigenético que regula la expresión genética y puede cambiar en enfermedades como el cáncer. Esta información se ha usado en los últimos años para diagnosticar tumores, especialmente cerebrales. Sin embargo, cada método de análisis, desde microarreglos hasta secuenciación de nueva generación, ofrece datos distintos, lo que ha dificultado una clasificación uniforme.
Los autores establecieron un método para caracterizar los tumores que no se basa en el diagnóstico microscópico convencional sino en modificaciones del genoma del tumor, es decir los marcadores epigenéticos. Estos marcadores forman parte de la memoria de cada célula y determinan qué partes de la información genética se leen y cuándo. “Cientos de miles de modificaciones epigenéticas actúan como interruptores de encendido y apagado para segmentos genéticos individuales. Sus patrones forman una huella digital única”, explica el Dr. Philipp Euskirchen, del Instituto de Neuropatología de Charité.
Este modelo de AI, se basa en una red neuronal simple y se entrenó en más de 5 mil tumores. La base de esta innovadora herramienta son las características específicas del material genético de los tumores, como su huella epigenética.
De esta forma, crossNN analiza perfiles de metilación generados con diferentes tecnologías, como secuenciación nanopore, WGBS o microarreglos, y aun así clasificar el tipo de cáncer con alta precisión. El estudio detalla que logró una exactitud del 99.1 % en tumores cerebrales. “Además, pudimos entrenar un modelo de AI de la misma manera que puede distinguir más de 170 tipos de tumores de todos los órganos con una precisión del 97.8%. Esto lo hace aplicable a cánceres de todos los órganos, más allá de los relativamente raros tumores cerebrales”, explicó Philipp Euskirche, uno de los autores de la investigación.
El estudio muestra que, a diferencia de otros modelos complejos, crossNN es sencillo de interpretar. Por ejemplo, sus predicciones están basadas en relaciones lineales entre patrones específicos de metilación y ciertos tipos de tumores. Esto permite identificar los genes más relevantes para cada diagnóstico y potencialmente descubrir nuevos biomarcadores.
Además, el modelo funciona con alta velocidad y puede integrarse fácilmente a plataformas clínicas, lo que lo hace útil para diagnósticos rápidos, incluso en situaciones críticas como cirugías cerebrales.
Esta herramienta fue entrenada inicialmente con más de 2,800 muestras de tumores cerebrales, sin embargo, el equipo también desarrolló una versión “pan-cáncer” con más de 8,300 muestras de 178 tipos de cáncer distintos. Esta versión también tuvo un rendimiento positivo, especialmente en tumores hematológicos, sarcomas y neuroepiteliales. En algunos casos, como los carcinomas renales, la precisión fue menor, lo que sugiere que el modelo podría ayudar a identificar inconsistencias en las clasificaciones histológicas tradicionales.
“En el contexto de una medicina oncológica cada vez más personalizada y en rápida evolución, un diagnóstico preciso en un centro tumoral certificado es crucial para el éxito del tratamiento”, expresó Martin E. Kreis, director médico de Charité.
El desarrollo de crossNN representa un paso importante hacia el diagnóstico oncológico personalizado y accesible, permitiendo usar distintos tipos de datos genéticos y epigenéticos con una sola herramienta. “En conclusión, nuestro estudio ofrece un marco de machine learning para la clasificación multiplataforma del cáncer basada en la metilación del ADN, lo que permite el desarrollo de pruebas de diagnóstico rápidas, resistentes, interpretables y precisas. Estos métodos prometen convertirse en valiosas herramientas de diagnóstico para todos los tipos de cáncer, más allá de la neurooncología”, concluye el estudio.
Como pasos a futuro en esta investigación, el equipo de investigación planea una colaboración con el Centro Alemán de Investigación del Cáncer, para realizar ensayos clínicos con crossNN en ocho centros especializados en cáncer. Esto también favorecerá su evaluación en su uso intraoperatorio. El objetivo final es incorporar la detección precisa y rentable de tumores basada en muestras de ADN a la atención médica de rutina.
La plataforma está disponible en línea para uso clínico o académico en:
https://crossnn.charite.de, y su código fuente puede consultarse de manera libre.
