Nuevo método de aprendizaje automático mejora las pruebas de células tumorales similares a las madres para la investigación del cáncer de mama
Crédito: Pixabay/CC0 Dominio público
Prof. El grupo de investigación de Euisik Yoon ha desarrollado un método nuevo y más rápido para identificar las células madre cancerosas (CSC), que podría ayudar a mejorar la eficacia de los tratamientos contra el cáncer.
Las CSC pueden sembrar y desarrollar tumores en sitios metastásicos, lo que hace que el cáncer recaiga en los pacientes después del tratamiento. Por lo general, también son resistentes a la quimioterapia y la radioterapia, por lo que las terapias que se dirigen directamente a las CSC pueden mejorar en gran medida el éxito de los tratamientos contra el cáncer. Sin embargo, las CSC varían ampliamente entre los pacientes e incluso dentro de ellos, lo que dificulta el desarrollo de tratamientos.
Las CSC se identifican por su capacidad para convertirse en tumoresferas en un entorno de suspensión hostil. Como tal, el cultivo en suspensión de una sola célula ha demostrado ser un método eficaz para identificar y estudiar las CSC en un paciente específico. Además, la microfluídica ha mejorado enormemente este método, ya que permite aislar células individuales de forma fiable con un alto rendimiento, lo que ayuda a reducir la identificación falsa de CSC.
Pero incluso con la microfluídica, el proceso puede tardar hasta dos semanas. Esto no es lo ideal, ya que el riesgo de mal manejo y contaminación celular aumenta cuanto más dura el experimento.
Para abordar estos problemas, el grupo de Yoon desarrolló y entrenó una red neuronal convolucional (CNN), un método de aprendizaje automático para clasificación de imágenes, para predecir la formación de tumoresferas derivadas de una sola célula.
«Usando imágenes de campo brillante, podemos predecir la respuesta al fármaco mucho antes a partir de las características morfológicas comunes de la viabilidad celular mediante algoritmos de aprendizaje automático», dice Yoon.
p>
El modelo se entrenó para correlacionar las imágenes celulares de tumoresferas de cáncer de mama en micropocillos el día 4 con su tamaño final el día 14. Con las imágenes del día 2, este modelo predijo la formación de tumoresferas con un 87,3 % de precisión. Tenía una precisión del 88,1 % con las imágenes del día 4. Además, con las imágenes del día 4, el modelo estimó que la tasa de formación de tumoresferas fue del 17,8 %, que estuvo cerca de la tasa real del 17,6 % del día 14.
Este método puede ayudar a avanzar en el estudio de CSC en el cáncer de mama, mejorando los tratamientos dirigidos con un éxito potencial similar en otros tipos de cáncer. El próximo paso es ver si el modelo se puede aplicar ampliamente a otras formas de cáncer.
«La combinación de análisis unicelulares y aprendizaje automático creará fuertes efectos sinérgicos para acelerar el biodescubrimiento», dice Yu-Chih Chen, científico investigador asistente y primer autor del artículo. «Dado que los diferentes tipos de células cancerosas pueden tener diferentes tasas de proliferación, necesitamos normalizar y reorganizar el modelo para que pueda aplicarse de manera más genérica y sea más confiable en las aplicaciones clínicas».
El documento, «Predicción temprana de la tasa de formación de esferas derivadas de una sola célula mediante el análisis de imágenes de redes neuronales convolucionales», se publica en Analytical Chemistry.
Explore más
Nuevo modelo muestra cómo se crean las células que causan cáncer de hígado Más información: Yu-Chih Chen et al. Predicción temprana de la tasa de formación de esferas derivadas de una sola célula mediante el análisis de imágenes de redes neuronales convolucionales, química analítica (2020). DOI: 10.1021/acs.analchem.0c00710 Información de la revista: Analytical Chemistry
Proporcionado por la Universidad de Michigan Cita: Nuevo método de aprendizaje automático mejora las pruebas de tumores similares a tallos Células para la investigación del cáncer de mama (9 de junio de 2020) recuperado el 31 de agosto de 2022 de https://medicalxpress.com/news/2020-06-machine-method-stem-like-tumor-cells.html Este documento está sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigación privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona únicamente con fines informativos.