Suscríbete al boletín semanal

Recibe cada semana los contenidos más relevantes de la actualidad científica.

Si estás registrado

No podrás conectarte si excedes diez intentos fallidos.

Si todavía no estás registrado

La Agencia SINC ofrece servicios diferentes dependiendo de tu perfil.

Selecciona el tuyo:

Periodistas Instituciones
Si estás registrado

No podrás conectarte si excedes diez intentos fallidos.

Si todavía no estás registrado

La Agencia SINC ofrece servicios diferentes dependiendo de tu perfil.

Selecciona el tuyo:

Periodistas Instituciones

Inteligencia artificial para ver mutaciones causantes de distintos tipos de cáncer

Científicos del centro IRB Barcelona han desarrollado un método computacional que, mediante algoritmos de aprendizaje automático, identifica mutaciones que causan cáncer según la clase de tumor. La herramienta se llama BoostDM, y actualmente trabaja con perfiles mutacionales de 28.000 genomas de 66 cánceres diferentes.

La herramienta computacional permite identificar las mutaciones causantes del cáncer para cada tipo de tumor. / IRB Barcelona

Cada tumor, cada paciente, acumula un elevado número de mutaciones, pero no todas son significativas para el desarrollo del cáncer. Ahora científicos del centro IRB Barcelona, liderados por la investigadora ICREA Núria López-Bigas, han desarrollado una herramienta basada en métodos de aprendizaje automático que evalúa la contribución potencial al desarrollo y la progresión del cáncer de todas las posibles mutaciones en un gen, en un determinado tipo de tumor. El estudio se publica en Nature.

En trabajos anteriores, ya puestos a disposición de la comunidad científica y médica, el laboratorio había desarrollado un método para identificar qué genes son responsables del inicio, el progreso o la expansión del cáncer. 

La herramienta BoostDM, basada en métodos de aprendizaje automático, simula cada posible mutación dentro de cada gen para un tipo de cáncer específico, señalando cuáles son clave en el proceso canceroso

“Pero ahora BoostDM –así se llama la herramienta– va más allá: simula cada posible mutación, dentro de cada gen, para un tipo de cáncer específico y señala cuáles son clave en el proceso canceroso. Esto contribuye a entender cómo se causa un tumor a nivel molecular, y puede ayudar en la toma de decisiones médicas en el momento de elegir la terapia más adecuada para un paciente”, explica López-Bigas, jefa del laboratorio de Biomédica Genómica del IRB. Además, contribuirá a entender mejor los procesos iniciales de la formación de tumores en los distintos tejidos. 

La nueva herramienta se ha integrado en la plataforma IntOGen, desarrollada por el mismo grupo y diseñada para ser utilizada por la comunidad científica y médica en proyectos de investigación, y en el Cancer Genome Interpreter, también desarrollado por los investigadores, y más enfocado a la toma de decisiones clínicas por parte de médicos oncólogos.   

Actualmente, BoostDM trabaja con los perfiles mutacionales de 28.000 genomas analizados de 66 tipos de cáncer diferentes. Su alcance será mayor con el previsible incremento de genomas de cáncer de acceso público. 

Desarrollo basado en biología evolutiva 

Para hallar las mutaciones implicadas en el cáncer, los científicos se han basado en un concepto clave en la evolución: la selección positiva. Las mutaciones que favorecen el crecimiento y el desarrollo del cáncer se encuentran en número más elevado en las distintas muestras, en comparación con aquellas mutaciones que sucederían al azar. 

“Partimos de la premisa de que algunas mutaciones solo las llegamos a observar porque las células tumorales con dicha mutación guían el desarrollo del tumor, y nos preguntamos qué distingue a esas mutaciones del resto de mutaciones posibles”, explica el coautor Ferran Muiños. “Hacer esto de manera manual sería excesivamente laborioso, pero hay estrategias computacionales que permiten organizar este análisis de manera sistemática y eficiente”, añade. 

El método propuesto aprende, a partir de los datos, qué atributos son distintivos de las mutaciones que favorecen el desarrollo del cáncer, lo cual supone información útil para el desarrollo de nuevos enfoques terapéuticos. 

Un modelo computacional para cada gen y tipo de cáncer

La herramienta que han desarrollado los investigadores ya ha generado 185 modelos para identificar mutaciones en un gen en un tipo de cáncer. Por ejemplo, ha generado un modelo que ha identificado todas las posibles mutaciones que inician la formación del tumor del gen EGFR en algunos tipos de cáncer de pulmón, otro modelo para ese mismo gen en casos de glioblastoma (un tipo de cáncer que se genera en el cerebro), etc. 

Se ha generado un modelo que identifica todas las posibles mutaciones que inician la formación del tumor del gen EGFR en algunos cáncer de pulmón, otro modelo para ese mismo gen en casos de glioblastoma, etc. 

La técnica que han desarrollado permite generar nuevos modelos, para obtener modelos para todos los genes de cáncer en los próximos años, a medida que aumenten los datos de tumores secuenciados depositados en el dominio público y se puedan ir incorporando al sistema. 

Cuando está desarrollado un modelo, se le puede interrogar sobre cada posible mutación de un gen de cáncer en un tipo de tejido (en un proceso conocido como “mutagénesis de saturación”) y saber si es relevante o no para el desarrollo de la enfermedad.

Medicina personalizada del cáncer

Se proporciona así un mapa de mutaciones clave que genera un conocimiento muy valioso para la investigación del cáncer, así como para la medicina personalizada del cáncer y la toma de decisiones médicas. Los autores han demostrado que los modelos de predicción como BoostDM son más eficientes y precisos que los enfoques experimentales.

Autores del estudio. / IRB Barcelona

Referencia:

Ferran Muiños​, Francisco Martínez-Jiménez​, Oriol Pich​, Abel González-Pérez y Nuria López-Bigas. “In silico saturation mutagenesis of cancer genesNature, 2021

Este trabajo ha sido posible gracias a la financiación recibida por el European Research Council (ERC), la Institució Catalana de Recerca i Estudis Avançats (ICREA), la Asociación Española Contra el Cáncer (AECC), el Ministerio de Ciencia e Innovación, el Fondo Europeo de Desarrollo Regional (FEDER), la Agencia de Gestión de Ayudas Universitarias y de Investigación (AGAUR), el Instituto de Salud Carlos III (ISCIII) y el Barcelona Institute of Science and Technology (BIST). 

Fuente:
IRB Barcelona
Derechos: Creative Commons.
Artículos relacionados
Cómo recolocar una orquesta para reducir el riesgo de covid-19

Trasladando el piano, el arpa y los instrumentos de percusión hacia el centro del escenario y llevando los clarinetes, trompetas y flautas a las orillas, más cerca de las rejillas por donde se renueva el aire, se puede reducir la concentración de aerosoles en los conciertos, junto a la siempre necesaria buena ventilación. Investigadores de la Universidad de Utah (EE UU) lo han comprobado con modelos computacionales.

Simulaciones de toses y estornudos para estudiar la transmisión aérea de enfermedades

Investigadores de la Universidad Rovira i Virgili han simulado el flujo de aire producido al toser y estornudar con un detalle sin precedentes gracias al uso de avanzados sistemas de computación. Los resultados ayudan a analizar la capacidad de los aerosoles infecciosos para dispersarse y mantenerse suspendidos, lo que facilita la transmisión del coronavirus y otros patógenos por vía aérea.