Potente herramienta mejora análisis del cáncer de tejido

El microambiente tumoral, compuesto por diversos tipos celulares, condiciona el desarrollo tumoral e influye en la evolución del paciente. Los científicos suelen utilizar datos masivos de muestras de tejido, que combinan señales de numerosas células, para estimar la composición celular. Sin embargo, estos datos masivos a menudo no coinciden con los datos de células individuales debido a las diferencias en los métodos de recopilación de datos, un problema conocido como "efecto lote". Esta discrepancia dificulta la precisión del análisis. Los investigadores han desarrollado una nueva herramienta que ayuda a superar estos desafíos al permitir una estimación más fiable de la composición celular en muestras de tejido.

La herramienta, denominada OmicsTweezer, fue creada por investigadores del Instituto Oncológico Knight de la Universidad de Salud y Ciencias de Oregón (Portland, Oregón, EUA). Utiliza aprendizaje automático avanzado, que incluye aprendizaje profundo y un método denominado transporte óptimo, para alinear datos de células individuales con datos masivos en un espacio digital compartido. Este enfoque avanzado reduce los errores causados por los efectos de lote, lo que permite a los científicos inferir con mayor precisión la composición de los tipos celulares en muestras de tejido. A diferencia de las herramientas tradicionales, que se basan en modelos lineales más simples, OmicsTweezer utiliza un enfoque no lineal para correlacionar patrones entre diferentes tipos de datos, lo que proporciona un análisis más claro y fiable de la composición tisular.

OmicsTweezer se probó utilizando conjuntos de datos simulados y muestras de tejido real de pacientes con cáncer de próstata y colon. La herramienta identificó con éxito subtipos celulares sutiles y estimó cambios en las poblaciones celulares en diferentes grupos de pacientes. Los hallazgos, publicados en Cell Genomics, sugieren que OmicsTweezer podría ayudar a identificar posibles dianas terapéuticas y orientar las decisiones de tratamiento al identificar qué poblaciones celulares cambian durante la progresión de la enfermedad. Los investigadores planean continuar perfeccionando esta herramienta y sus aplicaciones para mejorar la investigación del cáncer y los tratamientos oncológicos de precisión en entornos clínicos.

“Con esta herramienta, ahora podemos estimar las fracciones de las poblaciones definidas por datos unicelulares en datos masivos de grupos de pacientes”, afirmó el Dr. Zheng Xia, profesor asociado de ingeniería biomédica en la Facultad de Medicina de OHSU y autor principal del estudio. “Esto podría ayudarnos a comprender qué poblaciones celulares están cambiando durante la progresión de la enfermedad y orientar las decisiones terapéuticas”.

Enlaces relacionados:
Instituto Oncológico Knight de OSHU