Inteligencia Artificial
Investigadores de la Universidad Queen Mary de Londres, Reino Unido, han desarrollado un algoritmo de aprendizaje automático que clasifica los medicamentos según su eficacia para reducir el crecimiento de células cancerosas. Según los desarrolladores de Drug Ranking Using Machine Learning (DRUML), en el futuro el enfoque podría hacer avanzar las terapias personalizadas al permitir que los oncólogos seleccionen los mejores medicamentos para tratar a pacientes con cáncer.
Uno de los problemas del tratamiento del cáncer es que diferentes personas responden de manera diferente a los mismos tratamientos. Esto se debe a que, a pesar de que los tumores se clasifican como del mismo tipo, exhiben una gran cantidad de variación en su composición genética y características entre pacientes. El campo de la medicina personalizada está intentando abordar este problema combinando conocimientos genéticos con otra información clínica y de diagnóstico para identificar patrones que puedan permitir a los médicos predecir las respuestas de los pacientes a las terapias y seleccionar las intervenciones más efectivas.
Acerca de DRUML y el cáncer
DRUML se entrenó utilizando conjuntos de datos derivados de análisis de proteómica y fosfoproteómica de 48 líneas celulares de leucemia, cáncer de esófago y cáncer de hígado que respondían a más de 400 fármacos. Basándose en estos resultados, produce listas ordenadas que predicen qué fármaco será más eficaz para reducir el crecimiento de células cancerosas. El equipo verificó la precisión predictiva de DRUML utilizando datos obtenidos de otros 12 laboratorios y un conjunto de datos clínicos de 36 muestras de leucemia mieloide aguda primaria.
Según los desarrolladores, una de las características más importantes del método es que, a medida que se desarrollan nuevos fármacos, se podría volver a capacitar para incluirlos también en sus predicciones.
El profesor Pedro Cutillas de la Universidad Queen Mary de Londres, quien dirigió el estudio, comentó:
DRUML predijo la eficacia del fármaco en varios modelos de cáncer y a partir de datos obtenidos de diferentes laboratorios y en un conjunto de datos clínicos. Estos son resultados emocionantes porque los métodos de aprendizaje automático anteriores no han podido predecir con precisión las respuestas a los medicamentos en los conjuntos de datos de verificación y demuestran la solidez y la amplia aplicabilidad de nuestro método.
