Descubrimiento de tipos agresivos de células cancerosas gracias a técnicas de aprendizaje automático
Crédito: Jonathan Irish
Al aplicar técnicas de aprendizaje automático automatizadas y sin supervisión al análisis de millones de células cancerosas, Rebecca Ihrie y Jonathan Irish, ambos profesores asociados de y biología del desarrollo, han identificado nuevos tipos de células cancerosas en tumores cerebrales. El aprendizaje automático es una serie de algoritmos informáticos que pueden identificar patrones dentro de enormes cantidades de datos y volverse «más inteligentes» con más experiencia. Este hallazgo promete permitir a los investigadores comprender mejor y enfocarse en estos tipos de células para la investigación y la terapia del glioblastoma, un tumor cerebral agresivo con alta mortalidad, así como la aplicabilidad más amplia del aprendizaje automático en la investigación del cáncer.
Con sus colaboradores, Ihrie e Irish desarrollaron Risk Assessment Population IDentification (RAPID), un algoritmo de aprendizaje automático de código abierto que reveló patrones coordinados de expresión y modificación de proteínas asociados con los resultados de supervivencia.
El artículo, «El aprendizaje automático no supervisado revela el riesgo de estratificar las células tumorales de glioblastoma» se publicó en línea en la revista eLife el 23 de junio. El código RAPID y los ejemplos están disponibles en la página de cytolab Github.
Durante la última década, la comunidad de investigación ha ha estado trabajando para aprovechar la capacidad del aprendizaje automático para absorber y analizar más datos para la investigación de células cancerosas de los que la mente humana por sí sola puede procesar. «Sin ninguna supervisión humana, RAPID analizó 2 millones de células tumorales con al menos 4710 células de glioblastoma de cada paciente de 28 glioblastomas, y marcó las células y los patrones más inusuales para que los estudiáramos», dijo Ihrie. «Podemos encontrar las agujas en el pajar sin buscar en todo el pajar. Esta tecnología nos permite dedicar nuestra atención a comprender mejor las células cancerosas más peligrosas y acercarnos a la cura definitiva del cáncer de cerebro».
Se introdujeron en RAPID datos sobre proteínas celulares que gobiernan la identidad y función de las células madre neurales y otras células cerebrales. El tipo de datos utilizado se denomina citometría de masas unicelulares, una técnica de medición que normalmente se aplica al cáncer de sangre. Una vez que se completó el análisis estadístico de RAPID y se encontraron las «agujas en el pajar», solo se estudiaron esas células. «Uno de los resultados más emocionantes de nuestra investigación es que el aprendizaje automático no supervisado encontró las células más dañinas sin necesidad de que los investigadores le dieran conocimiento clínico o biológico como contexto», dijo Irish, también director científico de Vanderbilt’s Cancer & Immunology Core. «Los hallazgos de este estudio actualmente representan el mayor avance biológico de mi laboratorio en Vanderbilt».
El análisis de aprendizaje automático de los investigadores permitió a su equipo estudiar múltiples características de las proteínas en las células tumorales cerebrales en relación con otras características, entregando patrones nuevos e inesperados. «La colaboración entre nuestros dos laboratorios, el apoyo que recibimos para este trabajo de alto riesgo de Vanderbilt y el Centro de Cáncer Vanderbilt-Ingram (VICC) y la fructífera colaboración con neurocirujanos y patólogos que brindaron una oportunidad única para estudiar las células humanas de inmediato. del cerebro nos permitió lograr este hito», dijeron Ihrie e Irish en una declaración conjunta. Los coautores del artículo son los exestudiantes graduados de Vanderbilt Nalin Leelatian, residente actual de neuropatología en Yale (laboratorio irlandés) y Justine Sinnaeve (laboratorio Ihrie). A través de su investigación y trabajo sobre este tema, Leelatian ganó el premio Scholar-in-Training Award de la Asociación Estadounidense de Tumores Cerebrales (ABTA), Asociación Estadounidense para la Investigación del Cáncer (AACR) en abril de 2017.
La aplicabilidad de esta investigación se extiende más allá de la investigación del cáncer a las técnicas de análisis de datos para la investigación más amplia de enfermedades humanas y el modelado de laboratorio de enfermedades utilizando múltiples muestras. El documento también demuestra que estos patrones complejos, una vez encontrados, pueden usarse para desarrollar clasificaciones más simples que pueden aplicarse a cientos de muestras. Los investigadores que estudian los tumores cerebrales de glioblastoma podrán consultar estos hallazgos mientras prueban para ver si sus propias muestras son comparables con los patrones de expresión de células y proteínas descubiertos por Ihrie, Irish y colaboradores.
Explore más
Un nuevo método de aprendizaje automático mejora las pruebas de células tumorales similares a las madres para la investigación del cáncer de mama Más información: Nalin Leelatian et al. El aprendizaje automático no supervisado revela el riesgo de estratificar las células tumorales de glioblastoma, eLife (2020). DOI: 10.7554/eLife.56879 Información de la revista: eLife
Proporcionado por la Universidad de Vanderbilt Cita: Descubrimiento de tipos agresivos de células cancerosas hecho posible con técnicas de aprendizaje automático (2020, 25 de junio) recuperado el 31 de agosto de 2022 de https://medicalxpress.com/news/2020-06-discovery-aggressive-cancer-cell-machine.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.