Elegir el tratamiento más efectivo para las personas con cáncer de mama triple negativo (TNBC) a menudo es un desafío porque los tumores pueden comportarse de manera muy diferente a nivel molecular. Ahora, los investigadores han desarrollado un ‘modelo celular virtual’ basado en inteligencia artificial que puede ayudar a elegir el mejor tratamiento para esta forma agresiva de cáncer de mama, al predecir cómo responden las células tumorales de un individuo a varios medicamentos.
Las células TNBC carecen de receptores para las hormonas estrógeno y progesterona, así como para una proteína que controla el crecimiento celular. Esto hace que la enfermedad sea más difícil de tratar porque las terapias hormonales y dirigidas no pueden atacar las células tumorales.
En experimentos utilizando biopsias tomadas de individuos con TNBC, el modelo de célula virtual mostró resultados prometedores al identificar los mismos medicamentos que resultarían efectivos cuando se administran a personas. Los autores dicen que esto plantea la posibilidad de un cuidado más personalizado para el TNBC, que representa entre el 15 y el 20% de los casos de cáncer de mama.
«Esta es la primera vez que un modelo de célula virtual sale del laboratorio y se prueba en un escenario clínico,» dice Tiannan Guo, coautor del estudio y especialista en proteómica de la Universidad Westlake en Hangzhou, China. Guo añade que este modelo de IA tiene un «objetivo muy específico» en el descubrimiento de fármacos para el TNBC, en lugar de proporcionar una simulación completa del comportamiento celular.
El estudio fue publicado en Nature el 9 de septiembre.
Un modelo enfocado
Los investigadores han estado desarrollando simulaciones basadas en computadora de la vida celular durante algún tiempo. Sin embargo, la mayoría de los enfoques han implicado el entrenamiento de redes neuronales profundas con datos de secuenciación de células individuales, y tendían a capturar estados celulares estáticos.
En su estudio, Guo y sus colegas se propusieron desarrollar un modelo virtual de células de cáncer de mama utilizando datos de proteómica. Entrenaron un modelo de IA con más de 38 millones de mediciones de proteínas recopiladas de 18 líneas celulares de cáncer de mama, 16 de las cuales eran células TNBC. Los investigadores trataron las células con 63 fármacos antitumorales aprobados por la Administración de Alimentos y Medicamentos de EE. UU. y 59 combinaciones de fármacos.
Para crear el conjunto de datos de entrenamiento para el modelo, el equipo midió los niveles de 5,585 grupos de proteínas en las células tumorales antes del tratamiento y después de 6, 24 y 48 horas de terapia con medicamentos.
El biólogo de sistemas Hani Goodarzi, del Arc Institute en Palo Alto, California, dice que la escala de los datos de proteómica utilizados para entrenar el modelo es única. Y este nuevo enfoque proporciona a los investigadores «modalidades que no hemos tenido antes» para los modelos de células virtuales, añade.
Recoger datos en múltiples puntos temporales también es crucial para capturar los cambios dinámicos en las células, dice Goodarzi. «Si no tienes un curso temporal, solo tienes muchas imágenes estáticas,» explica.
Usando las mediciones de proteínas, el modelo de IA aprendió a predecir los efectos de los medicamentos en las células TNBC e identificó proteínas que contribuían a la resistencia a los medicamentos. La herramienta mostró un 88% de precisión en la predicción de la respuesta celular a 81 medicamentos que no estaban incluidos en el conjunto de datos de entrenamiento.
En un análisis de 3,651 proteínas en biopsias tumorales tomadas de 501 personas con TNBC antes de que se sometieran a quimioterapia, los investigadores encontraron que su modelo predijo con precisión los resultados clínicos de los tratamientos que recibieron las personas.
Prototipo clínico
Para probar el modelo en un escenario clínicamente relevante, Guo y sus colegas lo utilizaron para examinar 3,000 compuestos que ya estaban aprobados o en ensayos clínicos, para predecir las combinaciones de medicamentos más prometedoras para tres personas con TNBC (sobre la base de muestras de células, tomadas antes del tratamiento, que se mantuvieron vivas en el laboratorio).
El modelo sugirió correctamente los mismos fármacos terapéuticos que se les dieron a las tres personas y demostró ser eficaz. También recomendó tres compuestos con mejor eficacia que la terapia estándar que estas personas recibieron, basándose en experimentos de eficacia de medicamentos en las muestras de células TNBC.
Guo enfatiza que la herramienta sigue siendo un prototipo y que el equipo necesita realizar «ensayos clínicos prospectivos para ver si esta [recomendación] es válida». Su equipo también trabajará en formas de mejorar la herramienta, como entrenarla en terapias inmunitarias anticancerígenas que no se incluyeron en el estudio actual.
Goodarzi añade que el modelo actual no parece capturar cómo interactúan las proteínas entre sí, y dice que el trabajo futuro puede investigar eso y probar los efectos de diferentes dosis de los medicamentos.
En última instancia, los hallazgos ayudarán a los investigadores a iniciar enfoques de modelado conjunto que combinen la expresión de proteínas y la expresión génica, dice Goodarzi.
Miryam Naddaf