Desarrollan un algoritmo que permitiría optimizar los tratamientos contra diferentes tumores

Los avances tecnológicos de los últimos treinta años marcan el ritmo de una verdadera revolución en el campo de la medicina. Los desarrollos informáticos y, sobre todo, la Inteligencia Artificial (IA) están cambiando la manera en la que se diagnostican y tratan las enfermedades, y el horizonte en esta materia es sumamente prometedor.

Investigadores del CONICET, la Universidad Nacional de Cuyo y la Universidad de Harvard (Estados Unidos) desarrollaron Galgo, un algoritmo de optimización bi-objetivo cuya meta es encontrar patrones de expresión génica para diferentes tumores, de forma automática y eficiente, que permitan caracterizarlos clínicamente y saber a qué tratamiento pueden ser sensibles o resistentes. El estudio fue publicado en Bioinformatics.

“Galgo es un acrónimo que surge de genetic algorithm, que es la metodología de optimización subyacente al sistema desarrollado. Básicamente, es un tipo de algoritmo de optimización combinatoria que trata de buscar una solución eficiente para un problema de alta complejidad, inspirado en el proceso de evolución y selección natural propuesto por Darwin”, explica Martín Guerrero, becario doctoral del CONICET en el Instituto de Medicina y Biología Experimental de Cuyo (IMBECU, CONICET-UNCUYO) y primer autor del trabajo, que se desprende de su tesis donde estudia las Proteínas de Golpe de Calor (HSPs) en la Carcinogénesis.

El sistema trabaja con bases de datos de pacientes que han padecido cáncer y utiliza los resultados de los análisis de expresión génica de los tumores y el desenlace final de la patología, es decir, si la persona murió o no y si lo hizo, cuándo. La expresión génica o “firma génica” es un conjunto de señales moleculares expresadas por los tumores que permiten inferir cuál será su comportamiento biológico, su pronóstico y los posibles tratamientos.

“A través de estrategias de cómputo distribuido, Galgo propone firmas génicas que son comparadas con los desenlaces observados de los pacientes y, a partir de esta información, va mejorando o “evolucionando” las soluciones propuestas a lo largo de varias iteraciones hasta dar con una o más respuestas que cumplan con el objetivo de discriminar a los pacientes de forma consistente y robusta, es decir, con la menor cantidad de error y “ruido” molecular posible. Un vez obtenidas las firmas génicas, uno puede tomar una biopsia de un tumor de un nuevo paciente, realizarle un análisis de expresión génica y comparar este perfil con las firmas detectadas por el sistema y, de esta manera, clasificarlo de acuerdo a su biología y su pronóstico estimado”, detalla Guerrero.

Galgo permite planificar enfoques terapéuticos específicos para cada tipo de tumor, al clasificarlos por grupos reducidos que permiten entender mejor su comportamiento biológico. “Los tumores, en su desarrollo, toman y modifican nuestro propio material genético para utilizarlo a su favor. Estas mutaciones de las células tumorales se ven reflejadas en la expresión de una serie de moléculas que nos brindan la información necesaria para sintetizar proteínas (ARN mensajero), que en este caso son las que el tumor utiliza para sobrevivir. Estas moléculas son las que medimos en los tumores, y a partir de dicha información podemos conocer las funciones que está tratando de llevar a cabo para crecer y desarrollarse”, agrega.

Lo novedoso es que, por primera vez, se intenta detectar firmas génicas utilizando un criterio de optimización bi-objetivo, es decir, maximizando tanto la robustez de las firmas como su significado clínico. Por otro lado, el sistema es capaz de encontrar firmas génicas en cualquier tipo de cáncer, lo que lo transforma en una herramienta promisoria en el campo de la medicina de precisión aplicada a esta enfermedad. “En nuestra investigación, Galgo encontró firmas génicas más precisas que las que se conocían hasta el momento para cáncer de pulmón y de colon, y pudo igualar el poder predictivo de testeos comerciales de utilización clínica para cáncer de mama, que fueron diseñados específicamente para este tipo patología”, dice el médico.

Parte de los descubrimientos realizados por el algoritmo ya están siendo utilizados para nuevos proyectos y propuestas terapéuticas que se están desarrollando junto a un equipo de la Universidad de Harvard. “Utilizando Galgo observamos que los pacientes con cáncer de mama con HER2 amplificado pueden ser divididos en dos grupos, un grupo de buen pronóstico, y otro grupo de mal pronóstico con respuestas sub-óptimas al tratamiento. Curiosamente, gracias al algoritmo pudimos detectar que el grupo de mal pronóstico presenta altos niveles de tejido conectivo circundante al tumor y, gracias a eso, estamos tratando de descubrir los elementos moleculares que determinan esta relación y cómo podemos desarrollar terapias específicas para estos pacientes”, cuenta el becario.

“Creemos que este estudio representa un avance importante hacia abordajes más precisos en el tratamiento del cáncer; sin embargo, es importante aclarar que dado su potencial uso para definir conductas terapéuticas en pacientes, de acuerdo a las leyes regulatorias, el uso de los hallazgos de Galgo requiere de investigaciones en contextos clínicos específicos, por lo que no puede ser utilizado en pacientes de forma directa, todavía. De cualquier manera, el algoritmo fue empaquetado en un software y está disponible de forma libre y gratuita para que la comunidad científica pueda seguir avanzando en esa dirección. A su vez, en el futuro esperamos combinar Galgo con nuevas herramientas de inteligencia artificial que nos permitan determinar la composición exacta del tejido no tumoral circundante, es decir, la cantidad de tejido cicatrizal, vascular, composición inmune y tejido graso circundante, que también impactan fuertemente en el comportamiento clínico de la enfermedad. De esta manera, con tan solo una biopsia del tumor de un paciente, podríamos brindarle información al equipo de salud acerca de las características de las células tumorales así como también sobre la composición del tejido no tumoral circundante, lo que potencialmente le permitiría a los profesionales elaborar estrategias terapéuticas específicas para cada paciente”, concluye el científico.