Con el advenimiento de la farmacogenómica, la investigación del aprendizaje automático está muy avanzada para predecir la respuesta a los medicamentos de los pacientes, que varía según el individuo, a partir de los algoritmos derivados de los datos recopilados previamente sobre las respuestas a los medicamentos. Ingresar datos de aprendizaje de alta calidad que pueden reflejar la respuesta a los medicamentos de una persona.tanto como sea posible es el punto de partida para mejorar la precisión de la predicción. Anteriormente, se utilizaba el estudio preclínico de modelos animales que eran relativamente más fáciles de obtener en comparación con los datos clínicos en humanos.
A la luz de esto, un equipo de investigación dirigido por el profesor Sanguk Kim en el Departamento de Ciencias de la Vida de POSTECH está llamando la atención al aumentar con éxito la precisión de las predicciones de respuesta a medicamentos contra el cáncer mediante el uso de datos más cercanos a la respuesta de una persona real. El equipodesarrolló esta técnica de aprendizaje automático a través de algoritmos que aprenden la información del transcriptoma de organoides artificiales derivados de pacientes reales en lugar de modelos animales. Estos hallazgos de investigación se publicaron en la revista internacional Comunicaciones de la naturaleza el 30 de octubre
Incluso los pacientes con el mismo cáncer tienen reacciones diferentes a los medicamentos contra el cáncer, por lo que el tratamiento personalizado se considera fundamental en el desarrollo del tratamiento. Sin embargo, las predicciones actuales se basan en información genética de las células cancerosas, lo que limita su precisión. Debido a la información innecesaria de biomarcadores,el aprendizaje automático tenía un problema de aprendizaje basado en señales falsas.
Para aumentar la precisión predictiva, el equipo de investigación introdujo algoritmos de aprendizaje automático que utilizan una red de interacción de proteínas que puede interactuar con las proteínas objetivo, así como con el transcriptoma de proteínas individuales que están directamente relacionadas con los objetivos del fármaco. Induce el aprendizaje de la producción del transcriptoma de unproteína que está funcionalmente cerca de la proteína objetivo. A través de esto, solo se pueden aprender biomarcadores seleccionados en lugar de biomarcadores falsos que el aprendizaje automático convencional tuvo que aprender, lo que aumenta la precisión.
Además, se utilizaron datos de organoides derivados de pacientes, no de modelos animales, para reducir la discrepancia de las respuestas en pacientes reales. Con este método, los pacientes con cáncer colorrectal tratados con 5-fluorouracilo y los pacientes con cáncer de vejiga tratados con cisplatino fueronse prevé que sea comparable a los resultados clínicos reales.
Fuente de la historia :
Materiales proporcionado por Universidad de Ciencia y Tecnología de Pohang POSTECH . Nota: el contenido se puede editar por estilo y longitud.
Referencia de la revista :
cite esta página :