Herramienta de IA mide agresividad del cáncer

Los tumores, una de las principales causas de muerte, se están volviendo más complejos, lo que dificulta a los investigadores predecir su agresividad y resistencia al tratamiento. La capacidad de evaluar la agresividad de un tumor y predecir su comportamiento, incluyendo su probabilidad de recurrencia, es esencial para mejorar las estrategias de tratamiento. Ahora, una nueva herramienta de inteligencia artificial (IA) busca abordar este desafío prediciendo la agresividad de los tumores mediante la identificación de proteínas específicas. Esta herramienta, denominada PROTsi, mide un "índice de troncalidad", donde una puntuación más alta indica mayor agresividad y resistencia a los fármacos.

El modelo de aprendizaje automático, desarrollado por investigadores de la Universidad de São Paulo (São Paulo, Brasil), genera el índice de pluripotencialidad (STEM) a partir de datos de expresión proteica. Para desarrollar PROTsi, los investigadores se basaron en conjuntos de datos del Consorcio de Análisis Tumoral Proteómico Clínico (CPTAC), que incluye datos de 11 tipos de cáncer, como el de mama, ovario, pulmón, riñón y páncreas. La herramienta se diseñó para predecir la agresividad de los tumores mediante el análisis de proteínas vinculadas a la progresión tumoral y su similitud con las células madre pluripotentes. A medida que la enfermedad progresa, el índice de pluripotencialidad proporciona información sobre cómo las células tumorales se diferencian menos, lo que aumenta su probabilidad de autorrenovarse y volverse resistentes al tratamiento.

PROTsi se validó en múltiples conjuntos de datos y demostró su eficacia para distinguir entre diferentes niveles de agresividad tumoral. La investigación, publicada en Cell Genomics, confirmó que PROTsi podía predecir la agresividad tumoral e identificar posibles dianas para nuevas terapias. La herramienta demostró un mejor rendimiento en la diferenciación de tumores de alto grado, en particular en cánceres de útero, páncreas y cerebro pediátrico. Si bien la herramienta funciona mejor para algunos tipos de cáncer que para otros, tiene potencial para aplicarse en una amplia gama de tumores. Los investigadores planean continuar perfeccionando la herramienta y probando modelos computacionales adicionales para mejorar las predicciones y las aplicaciones clínicas.

“Buscamos construir un modelo aplicable a cualquier tipo de cáncer, pero descubrimos que funciona mejor para algunos que para otros. Estamos poniendo a disposición una fuente de datos para trabajos futuros”, afirmó la profesora Tathiane Malta, de la Universidad de São Paulo.

Enlaces relacionados:
Universidad de São Paulo