Un nuevo algoritmo de aprendizaje profundo puede analizar de forma rápida y precisa varios tipos de datos genómicos de tumores colorrectales para una clasificación más precisa, lo que podría ayudar a mejorar el diagnóstico y las opciones de tratamiento relacionadas, según una nueva investigación publicada en la revista Alianza de Ciencias de la Vida .
Los tumores colorrectales son extremadamente variados en cuanto a su desarrollo, requieren diferentes fármacos y tienen tasas de supervivencia muy diferentes. A menudo, se clasifican en subtipos según el análisis de los niveles de expresión génica.
"La enfermedad es mucho más compleja que un solo gen", dijo Altuna Akalin, científica en bioinformática que dirige el grupo de investigación de la Plataforma de Bioinformática en el Instituto de Biología de Sistemas Médicos de Berlín BIMSB del MDC. "Para apreciar la complejidad, tenemos que usar algunostipo de aprendizaje automático para realmente hacer uso de todos los datos "
Para observar numerosas características contenidas en el material genético, incluida la expresión génica, mutaciones de un solo punto y números de copias de ADN, Akalin y el estudiante de doctorado Jonathan Ronen diseñaron la plataforma de integración de autoencoder Multi-omics - "maui" para abreviar.
Cómo funciona
El aprendizaje automático supervisado generalmente requiere que expertos humanos etiqueten los datos y luego entrenen un algoritmo para predecir esas etiquetas. Por ejemplo, para predecir el color de los ojos a partir de imágenes de ojos, los investigadores primero alimentan el algoritmo con imágenes donde se etiqueta el color de los ojos. El algoritmoaprende a identificar diferentes colores de ojos y puede analizar de forma independiente nuevos datos.
Por el contrario, el aprendizaje automático no supervisado no implica capacitación. Un algoritmo de aprendizaje profundo se alimenta de datos sin etiquetas y lo examina para encontrar patrones comunes o características representativas, que se denominan factores latentes. Por ejemplo, este tipo de algoritmo puede procesarimágenes de caras que no están etiquetadas de ninguna manera, luego identifique características clave, como colores de ojos, formas de cejas, formas de nariz, sonrisas.
Como plataforma de aprendizaje profundo, maui puede analizar múltiples conjuntos de datos "ómicos" e identificar los patrones o características más relevantes, en este caso, conjuntos de genes o vías para el cáncer colorrectal.
¿Reclasificación de subtipos?
Maui identificó patrones asociados con los cuatro subtipos establecidos de cáncer colorrectal, asignando tumores a subtipos con alta precisión. También hizo un descubrimiento interesante. La plataforma encontró un patrón que sugiere que un subtipo CMS2 podría dividirse en dos separadosgrupos. Los tumores tienen diferentes mecanismos y tasas de supervivencia. El equipo sugiere más investigación para verificar si el subtipo es único o tal vez representativo de la propagación del tumor. Aún así, demuestra el poder de la plataforma para tomar todos los datos, en lugar de sologenes conocidos asociados con una enfermedad y producen información más profunda.
"La ciencia de datos puede manejar datos complejos que son difíciles de manejar de otras maneras y tiene sentido", dijo Akalin. "Puede alimentarlo con todo lo que tiene sobre los tumores y encuentra patrones significativos".
Más rápido, mejor
El programa no solo era más preciso, también funciona mucho más rápido que otros algoritmos de aprendizaje automático: tres minutos para seleccionar 100 patrones, en comparación con los otros programas que tomaron 20 minutos y 11 horas.
"Es capaz de aprender órdenes de magnitud de factores más latentes, en una fracción del tiempo de cálculo", dijo Jonathan Ronen, primer autor de la investigación.
El equipo se sorprendió de lo rápido que funciona el sistema, especialmente porque no tuvieron que usar tarjetas gráficas que usualmente ayudan a acelerar los cálculos. Esto muestra cuán extremadamente optimizado o eficiente es el algoritmo, aunque continúanencuentre maneras de afinar aún más el sistema.
Mejorando el descubrimiento de drogas
El equipo, que también incluía al biólogo computacional Bayer AG Sikander Hayat, adaptó su programa para analizar líneas celulares tomadas de tumores y cultivadas en laboratorios para investigar los efectos de posibles tratamientos farmacológicos. Sin embargo, las líneas celulares difieren de los tumores reales de muchas maneras ennivel molecular. El equipo usó Maui para comparar las líneas celulares que se usan actualmente para probar medicamentos contra el cáncer colorrectal para ver qué tan estrechamente estaban relacionadas con tumores reales. Se descubrió que casi la mitad de las líneas estaban más relacionadas con otras líneas celulares que los tumores reales.Se encontró que un puñado eran las mejores líneas que representaban más estrechamente las diferentes clases de tumores de CCR.
Si bien la investigación de descubrimiento de fármacos se está alejando de las líneas celulares, esta información podría ayudar a maximizar el impacto potencial de la investigación de líneas celulares y podría adaptarse para otros tipos de herramientas de análisis de drogas basadas en la genética.
motor de búsqueda de tumores
Ahora que se ha establecido la plataforma de aprendizaje profundo para el cáncer colorrectal, podría usarse para analizar datos de nuevos pacientes.
"Piensa en esto como un motor de búsqueda", dijo Akalin.
Un clínico podría ingresar los datos genéticos del nuevo paciente en Maui para encontrar la coincidencia más cercana para clasificar el tumor de manera rápida y precisa. La plataforma podría aconsejar qué medicamentos se han utilizado en los tumores de coincidencia más cercana y qué tan bien funcionaron, ayudando así a predecirrespuestas a medicamentos y perspectivas de supervivencia.
Por ahora, esto podría tener lugar en un entorno de investigación solo después de que los médicos hayan probado los protocolos establecidos. Es un largo camino para que una prueba o sistema sea aprobado para uso clínico, dijo Akalin. El equipo está explorando el potencial de comercializacióncon la ayuda del Programa Acelerador de Salud Digital del Instituto de Salud de Berlín. También están en proceso de adaptar maui para otros tipos de cáncer.
Fuente de la historia :
Materiales proporcionado por Centro Max Delbrück de Medicina Molecular en la Asociación Helmholtz . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :