Un estudio publicado en Nature Metabolism, mostró como un modelo de aprendizaje automático podría predecir objetivos metabólicos en el tratamiento de cáncer de ovario.
Una plataforma basada en aprendizaje automático podría ser la clave para el desarrollo de terapias de tratamiento personalizadas para el tratamiento de cáncer de ovario. Este acercamiento de medicina de precisión fue realizado por investigadores del Rogel Cancer Center de la Universidad de Michigan.
Los autores exploraron un modelo de aprendizaje automático con el propósito de encontrar vulnerabilidades metabólicas dentro de cientos genes que pueden impactar en el crecimiento del cáncer. Las mutaciones en el cáncer son frecuentes en el cáncer de ovario, lo que provoca que las células tengan un crecimiento que contribuye a una mayor agresividad de la enfermedad.
“Cuando se elimina un gen, también se eliminan los genes metabólicos que permiten el crecimiento de las células cancerosas. La teoría es que surgen vulnerabilidades en el metabolismo de las células cancerosas debido a alteraciones genéticas específicas”, explicó el Dr. Deepak Nagrath, director del estudio.
En este sentido, la eliminación de genes que regulan la función metabólica, provoca la reconfiguración de las células cancerígenas. Por medio de un método de modelado metabólico complejo y aprendizaje automático, los investigadores descubrieron la función de una enzima de cáncer de ovario denominada MTHFD2. El modelo posteriormente predijo que dicha enzima invirtió su papel de acelerar el crecimiento del cáncer.
“Existen varios enfoques para descubrir objetivos personalizados para el cáncer, y varias plataformas predicen objetivos basados en análisis de big data. Nuestra plataforma hace predicciones al considerar la funcionalidad y el mecanismo metabólico, lo que aumenta las posibilidades de éxito cuando se traslada a la clínica”, explicó el Dr. Abhinav Acherja, primer autor del estudio.
Además, añadió que las terapias personalizadas con cada vez una posibilidad más relevante para mejorar la eficacia de tratamientos de primera línea contra el cáncer.
