Colaboración conjunta entre la Universidad Nacional de Cuyo de Argentina (UNCuyo) y la Universidad de Harvard para diseño de modelo de inteligencia artificial para caracterización de tumores
Galgo es un algoritmo entrenado a través de aprendizaje automático, diseñado para descubrir marcas moleculares en diferentes tipos de cáncer. Busca identificar patrones de comportamiento biológico para realizar un mejor diagnóstico al realizar caracterizaciones clínicas y consideras cuales serían los tratamientos más adecuados.
Este proyecto reúne a un grupo interdisciplinario de investigadores de la UNCuyo a través del Instituto de Bioquímica y Biotecnología de la Facultad de Ciencias Médicas y del Laboratorio de Sistemas Inteligentes de la Facultad de Ingeniería, además del Instituto de Medicina y Biología Experimental de Cuyo y de los Departamentos de Radiación Oncológica y de Células Madres y Biología Regenerativa, de la Universidad de Harvard.
La investigación ha sido financiada a través de subsidios del Consejo Nacional de Investigaciones Científicas y Técnicas de Argentina (CONICET) y publicó sus primeros avances en la revista científica Bioinformatics, perteneciente a la Universidad de Oxford, bajo el título “Galgo: una metaheurística evolutiva bi-objetivo identifica clasificadores transcriptómicos sólidos asociados con el resultado del paciente en múltiples tipos de cáncer”.
Martín Guerrero, coautor del estudio y líder de la investigación explicó la premisa inicial de esta innovación y los desafíos existentes: “Los tumores, cuando comienzan a crecer en nuestro cuerpo, utilizan nuestro propio material genético y lo modifican para usarlo a su favor. Estas modificaciones pueden observarse de forma indirecta a través de las señales moleculares que expresan las células. Estas señales son el resultado de la expresión de una serie de moléculas denominadas ARN mensajero (mRNA) que podemos identificar con novedosas técnicas moleculares a partir de una biopsia del tejido tumoral del paciente. La dificultad se encuentra en que, en analogía a las frecuencias de radio, si uno no sabe qué buscar, solo se observa ‘ruido’, señales incongruentes que no podemos interpretar”.
Guerrero explicó cómo los avances de investigación en este ramo de medicina biológica y biotecnología, han llevado a descubrir “firmas génicas” de algunos tipos de cáncer. Por lo que espera que la gran cantidad de señales moleculares que han sido detectadas por los nuevos métodos puedan incrementar y ser más eficaces al determinar las “firmas génicas” de más tipos de cáncer.
Además el investigador explicó cómo funciona el algoritmo a través de nuevas técnicas moleculares que involucran Inteligencia Artificial: “Para esto, nuestro equipo propuso un algoritmo de inteligencia artificial que hace una búsqueda entre este océano de combinaciones para dar con la combinación, que nos permite identificar los patrones de comportamiento biológico de los diferentes tumores, con lo cual podemos caracterizarlos e identificar no solo como se van a comportar clínicamente, sino también a qué tratamientos pueden ser sensibles o resistentes”.
El algoritmo ha sido probado y reproducido en los tipos de cáncer identificados, siendo más efectivos que métodos analíticos comerciales. “Esto quiere decir que Galgo es aplicable a cualquier tipo de cáncer, dado que tengamos los suficientes datos como para que el algoritmo pueda aprender de ellos, lo cual lo convierte en una herramienta invaluable para todos aquellos tipos de cáncer que todavía no han logrado ser diseccionados molecularmente y que muchas veces tratamos de forma genérica debido a que no tenemos mucha información sobre los mismos”, explicó Guerrero, quien continuará en el desarrollo de este tema en su tesis doctoral en Medicina Biológica.
En cuanto a las aplicaciones de Galgo, se encuentra siendo utilizado en la Universidad de Harvard en un grupo de pacientes de cáncer de mama quienes poseen una alteración molecular específica. De esta forma, es posible que los especialistas diseñen estrategias terapéuticas específicas para el tratamiento de las pacientes.
