Hacer coincidir información genética única de los tumores de pacientes con cáncer con opciones de tratamiento, un área emergente de esfuerzos de medicina de precisión, a menudo no identifica a todos los pacientes que pueden responder a ciertas terapias. Otra información molecular de los pacientes puede revelar estos llamados "respondedores ocultos ", según un estudio de Penn Medicine en Informes de celda esta semana. Los hallazgos se publican junto con varios artículos en otras revistas de Cell esta semana que examinan las vías moleculares utilizando el Atlas del Genoma del Cáncer TCGA.
"La secuenciación dirigida puede encontrar individuos con ciertas mutaciones que se cree que confieren susceptibilidad a los medicamentos contra el cáncer", dijo el autor principal Casey Greene, PhD, profesor asistente de farmacología en la Facultad de medicina Perelman de la Universidad de Pennsylvania ".Pero muchas personas pueden carecer de estas mutaciones y, a medida que mejoran los enfoques de aprendizaje automático, pueden ayudar a guiar a estos pacientes a las terapias apropiadas ".
Greene y el primer autor y estudiante de doctorado Gregory P. Way utilizaron el aprendizaje automático para clasificar la actividad anormal de las proteínas en los tumores. Esta rama de la inteligencia artificial desarrolla programas informáticos que pueden utilizar nuevos datos para aprender y hacer predicciones. El algoritmo que idearon para buscar TCGAintegra datos genéticos de 33 tipos diferentes de cáncer. Greene y Way usaron información del transcriptoma, el gran total de todos los ARN mensajeros expresados en un individuo.
Aplicaron específicamente su modelo a la vía Ras, una familia de genes que producen proteínas que gobiernan la replicación celular y la muerte. Los cambios en la función normal de las proteínas Ras, mutaciones que son responsables del 30 por ciento de todos los cánceres, pueden potenciarlas células cancerosas crecen y se diseminan. Estas mutaciones a menudo se denominan "Ras no controlable", que ha rechazado una variedad de fármacos inhibidores en investigación y terapias basadas en vacunas.
"Este modelo fue entrenado en datos genéticos de tumores humanos en The Cancer Genome Atlas y fue capaz de predecir la respuesta a ciertos inhibidores que afectan los cánceres con señalización Ras hiperactiva en una enciclopedia de líneas celulares de cáncer", dijo Greene. El resultado es queel transcriptoma está infrautilizado para brindar precisión a la oncología, pero cuando se combina con el aprendizaje automático puede ayudar a identificar posibles respondedores ocultos.
El equipo de Penn colaboró con la coautora Yolanda Sanchez, PhD, bióloga en cáncer de la Facultad de Medicina Geisel del Dartmouth College. Están trabajando juntos para combinar su identificación de compuestos que atacan tumores con actividad Ras desbocada y datos tumorales analizados por máquinaaprendizaje para encontrar pacientes que puedan beneficiarse de estos posibles medicamentos contra el cáncer.
"Para que la medicina de precisión beneficie a las personas en tiempo real, debemos desarrollar modelos robustos para evaluar eficazmente la eficacia de las terapias potenciales", dijo Sánchez. "Podemos usar este enfoque combinado muy poderoso de descubrimiento de fármacos guiado por aprendizaje automático utilizando Avatares, queson ratones que llevan copias idénticas de los tumores de un paciente. Los Avatares permiten a nuestro equipo interdisciplinario identificar los tumores con actividad Ras desbocada y evaluar y comparar múltiples terapias en tiempo real ".
Fuente de la historia :
Materiales proporcionado por Facultad de medicina de la Universidad de Pensilvania . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cite esta página :