El flujo de información entre las células de nuestro cuerpo es extremadamente complejo: detectarse, señalizarse e influirse mutuamente en un flujo constante de compromisos microscópicos. Estas interacciones son críticas para la vida, y cuando salen mal pueden provocar enfermedades y lesiones.
Los científicos han aislado miles de interacciones celulares individuales, pero representar la red de reacciones que lleva a las células a autoorganizarse en órganos o formar melanomas ha sido un desafío extremo.
"Nosotros, como comunidad, nos estamos ahogando en datos cuantitativos provenientes de experimentos funcionales", dice Michael Levin, profesor de biología en la Universidad de Tufts y director del Centro de Descubrimiento Allen allí. "Extrayendo una comprensión profunda de lo que está sucediendo en el sistemade los datos para hacer algo biomédicamente útil es cada vez más difícil "
Levin está utilizando a Maria Lobikin, estudiante de doctorado en su laboratorio, y Daniel Lobo, ex postdoctorado y ahora profesor asistente de biología e informática en la Universidad de Maryland, Condado de Baltimore UMBCAprendizaje automático para descubrir las redes de control celular que determinan cómo se desarrollan los organismos y diseñar métodos para interrumpirlos. El trabajo allana el camino para tratamientos contra el cáncer diseñados por computación y la medicina regenerativa.
"Al final, el valor de las plataformas de aprendizaje automático está en si pueden llevarnos a nuevas capacidades, ya sea para la medicina regenerativa u otros enfoques terapéuticos", dice Levin.
Escribiendo en Informes científicos en enero de 2016, el equipo informó los resultados de un estudio en el que crearon un renacuajo con una forma de pigmentación mixta nunca antes vista en la naturaleza. La conversión parcial de las células pigmentarias normales en un fenotipo similar al melanoma, realizado mediante una combinaciónde dos drogas y un ARN mensajero, fue predicho por su código de aprendizaje automático y luego verificado en el laboratorio.
Su trabajo fue facilitado por la supercomputadora Stampede en el Centro de Computación Avanzada de Texas, uno de los más poderosos del mundo, que permitió al equipo ejecutar miles de millones de simulaciones para modelar la red celular y los medios de alteracióneso.
Hackear la red celular
Los renacuajos del género Xenopus de ranas acuáticas poseen un grupo de células pigmentarias que el laboratorio de Levin mostró previamente que podrían convertirse en un resultado similar al melanoma al interrumpir su comunicación eléctrica con otros tipos de células.
A través de años de experimentos, descubrieron que varios tratamientos podrían inducir conversiones, pero algunos animales tratados se convertirían y otros no.
"El resultado fue probabilístico, como lanzar una moneda sesgada", dice Levin. "Pero notablemente, todas las celdas arrojaban la misma moneda: un animal dado se convertiría o no, en conjunto. Las celdas individuales no hicierondecisiones independientes "
Una de las pruebas más importantes de su modelo derivado de inteligencia artificial fue ver si podía usarse para descubrir un tratamiento que rompiera la concordancia normal entre las células e indujera un patrón de sal y pimienta en el que las células individuales dentroun solo renacuajo elegiría convertirse en melanoma o no.
No solo pudieron producir este efecto, sino también predecir el porcentaje de la población de renacuajos que tendría la pigmentación mixta.
"Me sorprendió el hecho de que la plataforma de aprendizaje automático nos permitió hacer algo que antes no podíamos hacer, en el banco, en organismos vivos reales", dice Levin. "Fue lo suficientemente bueno para predecirnuevos resultados de experimentos que nadie había hecho antes "
mapeo del modelo
Los resultados se expandieron en investigaciones anteriores del equipo que utilizó el aprendizaje automático para derivar el modelo de control celular de Xenopus. Para identificar el modelo, el equipo ingresó los resultados de casi una década de experimentos de laboratorio en Stampede, así como los hechoshabían aprendido de estos experimentos y de otros laboratorios que trabajan en estos caminos.
Los experimentos existentes mostraron una variedad de formas en que un fármaco o proteína podría afectar un proceso o receptor celular dado, pero no la imagen completa de cómo se interrelacionó el sistema complejo o cómo la dinámica de señalización dio lugar a frecuencias específicas de animales convertidos con melanomade un tratamiento dado aplicado a una población de animales.
Lobo desarrolló un código que trataba las interacciones farmacológicas y celulares como nodos en una red y caracterizó cómo cada componente se comportó como una ecuación diferencial. El código luego combinó aleatoriamente las diversas ecuaciones en cada nodo como una cadena de interacciones y calificó cuán cerca estala red de interacciones llegó a reproducir los experimentos de laboratorio.
Descartó los resultados que no se aproximaban a los resultados experimentales, mantuvo los que estaban más cerca y luego recombinó los componentes.
Repitiendo este ciclo muchas veces, la combinación de procesos mejoró de una manera similar a la evolución, hasta que llegó a un sistema capaz de predecir resultados de laboratorio. Este método, llamado cálculo evolutivo, se ha utilizado durante décadasinformática de rendimiento, pero nunca antes por el problema de las redes de control celular.
"Este enfoque utiliza una gran cantidad de poder computacional", dice Lobo. "El modelo no es determinista. Así que al aplicar un medicamento a 100 renacuajos, tenemos que simular el modelo 100 veces para obtener un resultado preciso. Incluso silos modelos son rápidos de calcular, el algoritmo de aprendizaje automático necesita calcular miles de millones de simulaciones para descubrir con precisión las ecuaciones correctas que explican los datos ".
El equipo informó los resultados de este trabajo inicial en Science Signaling en octubre de 2015.
intervenciones de ingeniería inversa
Con este modelo en la mano, comenzaron las intervenciones farmacológicas de ingeniería inversa que podrían crear un resultado específico: renacuajos moteados.
Realizando 562 del tipo de experimentos que normalmente harían en el laboratorio virtualmente en Stampede, el modelo predijo exactamente un camino hacia la pigmentación moteada: la combinación de tres reactivos, dos inhibidores de drogas y un ARN mensajero, que romperían elconcordancia de todo o nada.
Los experimentos de laboratorio confirmaron esta predicción, lo que resultó en la conversión parcial de células de pigmento dentro de renacuajos individuales.
El modelo que derivaron solo se ha probado en anfibios hasta ahora, aunque las vías específicas dirigidas se conservan en humanos. Además, la metodología para el descubrimiento e interrogación de modelos será aplicable a una amplia gama de fenómenos.
"Este es un gran paso adelante para el objetivo aspiracional de predecir computacionalmente fenotipos complejos, y usar las predicciones de modelado para mejorar la salud, tratar enfermedades y diseñar organismos vivos útiles", dijo Tom Skalak, Director Ejecutivo de The Paul G.Grupo Allen Frontiers.
El laboratorio de Levin está interesado en aplicar este método a la medicina regenerativa y las formas en que las células toman decisiones sobre cómo formar y reparar estructuras anatómicas complejas. Los resultados anteriores del equipo describieron los esfuerzos de aprendizaje automático para aplicar ingeniería inversa a la capacidad del gusano planario para regenerarsetodo su cuerpo a partir de fragmentos de un gusano.
"Más allá de las herramientas actuales de bioinformática, que manejan datos genómicos y de proteínas, queremos desarrollar plataformas de inteligencia artificial para ayudarnos a comprender y controlar los patrones a gran escala, los algoritmos que definen la forma anatómica, no solo los mecanismos que guían los comportamientos individuales de las células".Levin dice.
El laboratorio de Lobo está aplicando el método a la investigación del cáncer para determinar qué tipo de intervenciones podrían detener la metástasis sin dañar otras células.
"Los enfoques tradicionales, como la quimioterapia, atacan a las células que más crecen, pero dejan células que están indicando a otras que crezcan y eso puede ser lo más importante", dice Lobo. "Estamos utilizando el aprendizaje automático para descubrir las redes de comunicación entreestas células y esperamos descubrir un tratamiento que pueda hacer que el tumor colapse "
Los resultados de su estudio de renacuajos muestran cómo ese aprendizaje automático puede descubrir relaciones ocultas en sistemas de vida complejos e identificar manipulaciones específicas que pueden lograr un resultado terapéutico.
"El sistema de aprendizaje automático contribuyó a lo más creativo que hacen los científicos: nos ayudó a encontrar un modelo que explique lo que está sucediendo en este sistema complejo", dice Levin. "En el futuro, a medida que los datos continúen acumulándose, las computadoras van a funcionarser un componente esencial del proceso científico, ayudándonos a formular hipótesis y formular modelos predictivos y cuantitativos de cómo funcionan los sistemas biológicos "
Fuente de la historia :
Materiales proporcionado por Universidad de Texas en Austin, Centro de Computación Avanzada de Texas . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cite esta página :