inmunoterapia
in ,

IA para ayudar a la inmunoterapia en pacientes con cáncer.

Puede el tratamiento de inmunoterapia ayudar a este paciente con cáncer?

Y si se puede, ¿qué tratamiento específico se debe utilizar?

El equipo israeli desarrolla una herramienta de aprendizaje automático para ayudar a combinar el tratamiento de inmunoterapia para pacientes con cáncer.

Qué tratamiento específico utilizar?

Los oncólogos se hacen habitualmente estas preguntas.

Las compañías de seguros también lo piden porque la inmunoterapia es costosa. Los pacientes preguntan si este novedoso tratamiento puede salvarles la vida.

Ahora, un nuevo estudio del profesor Keren Yizhak,  de Israel, utiliza Inteligencia Artificial para crear un método simple y económico para responder a esta pregunta para cada paciente individual.

Los hallazgos del Prof. Yitzhak se publicaron recientemente en Nature Communications y se seleccionaron para aparecer en la página web «Editor’s Highlights» sobre el cáncer.

La inmunoterapia es un desarrollo reciente en el mundo de los tratamientos contra el cáncer.

Ha dado remisión completa a pacientes que no podían ser ayudados por otros medios y reduce muchos de los efectos secundarios de la quimioterapia.

Existen múltiples tratamientos inmunoterapéuticos, pero se diferencian del nuevo estudio en que el principio bajo el que operan todos es estimular el sistema inmunitario del paciente para atacar las células tumorales.

¿Cómo distingue el sistema inmunitario entre las células cancerosas que debe atacar y las células sanas del cuerpo?

Carga de mutación tumoral (TMB)

Cuantas más mutaciones haya acumulado el tumor, más se diferenciará de las células «normales» y, por lo tanto, la inmunoterapia puede ser más eficaz.

Esta característica se denomina Carga de mutación tumoral (TMB).

Un TMB más alto significa más mutaciones nuevas. El método del Prof. Yizhak simplifica significativamente la medición de la TMB.

Para medir la TMB como se hace ahora, se toman células del tumor y se compara su ADN con el ADN de las células sanas del paciente.

La Prof. Yizhak y su grupo proponen dos cambios a este proceso.

El primer cambio, ya explorado en un artículo publicado anteriormente por el grupo, es comparar moléculas de ARN en lugar de moléculas de ADN.

La innovación es doble:

Esto marca la diferencia porque las moléculas de ADN contienen la totalidad del genoma humano, mientras que las moléculas de ARN son pequeñas partes del código genético, copiadas para usarse como instrucciones dentro de la célula.

En su estudio anterior, el grupo mostró que las moléculas de ARN también se pueden usar para identificar las mutaciones específicas del cáncer.

La innovación en el artículo más reciente del grupo es doble: primero, la eliminación de la necesidad de comparar el ARN del tumor con el ADN de las células sanas.

Como resultado, se necesita secuenciar una cantidad menor de material genético, por lo que el paciente debe someterse a un procedimiento menos.

En lugar de comparar el material genético del tumor con el material genético sano del propio paciente, el equipo del profesor Yizhak desarrolló un algoritmo de aprendizaje automático.

El algoritmo fue entrenado para reconocer las aberraciones del genoma sano y diferenciarlas de la variación natural que existe entre las personas.

En segundo lugar, utilizando estas predicciones, pudieron calcular una métrica TMB basada en ARN.

Nuevos descubrimientos y desarrollar nuevas herramientas:

De hecho, este método demostró ser más efectivo que el método estándar para estimar la efectividad prevista de la inmunoterapia para un paciente determinado.

Se cree que este es el caso porque el ARN contiene las partes del genoma que están en uso constante y, por lo tanto, pueden iniciar una respuesta inmunitaria.

Es menos probable que las mutaciones en partes del genoma que no están en uso afecten el funcionamiento de la célula.

El desarrollo del algoritmo fue posible gracias al uso de una gran base de datos existente de ARN secuenciado de pacientes con cáncer, en la que se pudo entrenar el algoritmo.

De hecho, el laboratorio del Prof. Yizhak es un laboratorio computacional, «seco».

Los laboratorios computacionales hacen uso de las grandes cantidades de datos clínicos recopilados por la comunidad científica de todo el mundo, utilizándolos para lograr nuevos descubrimientos y desarrollar nuevas herramientas para ayudar a los pacientes.

Nota: El siguiente articulo no trata sobre una terapia disponible sino sobre un novedoso concepto que esta siendo investigado.

Quieres conocer mas tecnología israelí?

Si respondiste “si” Sumanos también en Twitter.