Estás leyendo la publicación: Un nuevo enfoque de aprendizaje profundo desarrollado en el MIT identifica cánceres no diagnosticables al observar más de cerca los programas de expresión génica relacionados con células tempranas…
El cáncer es parcialmente una enfermedad del desarrollo, con malignidades nombradas por la célula o tejido del que se originan. Sin embargo, no existe un atlas sistemático de fuentes tumorales. Identificar el tipo preciso de cáncer de un paciente y su sitio principal es el primer paso para decidir el mejor curso de tratamiento.
A pesar de las pruebas exhaustivas, la fuente del cáncer no se puede determinar en muchas situaciones. Los oncólogos deben emplear medicamentos no dirigidos con efectos secundarios graves y bajas tasas de supervivencia.
Los investigadores del Hospital General de Massachusetts (MGH) y el Instituto Koch para la Investigación Integral del Cáncer en el MIT pueden ayudar a clasificar los cánceres de origen primario desconocido. Su trabajo presenta un nuevo método de aprendizaje profundo al examinar de cerca los patrones de expresión génica relacionados con el desarrollo y la diferenciación celular tempranos.
En parte debido a cambios importantes en la forma en que se expresan sus genes, las células cancerosas difieren mucho de las células normales en términos de apariencia y comportamiento. El aprendizaje automático es muy adecuado para resolver el problema de separar los cambios en la expresión génica entre varios tipos de cánceres de una fuente desconocida. Hay una tonelada de datos que insinúan cómo y dónde comenzaron ciertos tumores, gracias a los avances en el perfilado de células individuales y las iniciativas para catalogar varios patrones de expresión celular en atlas de células.
El equipo concentró el modelo en indicadores de vías de desarrollo interrumpidas en las células cancerosas para lograr un compromiso entre reducir el número de características y capturar la información más pertinente. Las células cancerosas pierden muchas de las características especializadas de una célula madura a medida que crece el tumor. A medida que desarrollan la capacidad de multiplicarse, cambiar y propagarse a nuevos tejidos, también comienzan a parecerse a las células embrionarias en algunos aspectos. Se sabe que numerosos procesos de expresión génica relacionados con la embriogénesis se reactivan o desregulan en las células cancerosas.
Los investigadores compararon el Cancer Genome Atlas (TCGA), que contiene datos de expresión génica para 33 tipos de tumores diferentes, y el Mouse Organogenesis Cell Atlas (MOCA), que perfila 56 trayectorias diferentes de células embrionarias a medida que se desarrollan y diferencian, para encontrar Correlaciones entre células tumorales y embrionarias.
Se creó un modelo de aprendizaje automático utilizando el mapa resultante de correlaciones entre los patrones de expresión génica del desarrollo en tumores y células embrionarias. Los investigadores asignaron un valor numérico a cada componente que crearon al diseccionar los diferentes componentes de la expresión génica de muestras tumorales del TCGA en partes discretas que representan una etapa de trayectoria de desarrollo distinta. El modelo de aprendizaje automático Perceptrón multicapa de desarrollo (D-MLP) califica un tumor de acuerdo con sus componentes de desarrollo y luego pronostica su origen.
Después del entrenamiento, el D-MLP se usó para analizar 52 muestras recientes de tumores malignos difíciles con orígenes primarios poco claros que no pudieron identificarse usando los métodos disponibles. Durante cuatro años, a partir de 2017, estos casos fueron los más difíciles encontrados en MGH. Es emocionante notar que el modelo dividió los tumores en cuatro categorías y produjo pronósticos y otros datos que pueden ayudar a los médicos a diagnosticar y tratar a estos pacientes.
Además, las exhaustivas comparaciones del estudio de células tumorales y embrionarias proporcionaron información alentadora y, en ocasiones, inesperada sobre los perfiles de expresión génica de determinados tipos de tumores. Sus hallazgos implican que las diferencias en los programas de desarrollo pueden aprovecharse algún día, como la forma en que las variantes genéticas se emplean con frecuencia para generar terapias contra el cáncer adaptadas o personalizadas.
Los investigadores planean mejorar la capacidad predictiva del modelo al incluir tipos adicionales de datos, particularmente detalles de radiología, microscopía y otras técnicas de imagen de tumores.
Este artículo está escrito como un artículo de resumen de investigación por el personal de Marktechpost basado en el trabajo de investigación ‘Desconvolución del desarrollo para la clasificación del origen del cáncer‘. Todo el crédito de esta investigación es para los investigadores de este proyecto. Revisar la papel y artículo de referencia.
Por favor no olvides unirte Nuestro subreddit de ML
Echa un vistazo a https://aitoolsclub.com para encontrar 100 de Cool AI Tools
