La IA predice qué combinaciones de fármacos matan las células cancerosas

Los métodos de IA pueden ayudarnos a perfeccionar las combinaciones de fármacos. Crédito: Matti Ahlgren, Universidad Aalto

Cuando los profesionales de la salud tratan a pacientes que padecen cánceres avanzados, generalmente necesitan usar una combinación de terapias. Además de la cirugía del cáncer, los pacientes suelen recibir tratamiento con radioterapia, medicamentos o ambos.

La medicación se puede combinar con fármacos seleccionados para células cancerosas específicas. Las terapias farmacológicas combinatorias a menudo mejoran la eficacia del tratamiento y pueden reducir los efectos secundarios perjudiciales si se puede reducir la dosis de los fármacos individuales. Sin embargo, la detección experimental de combinaciones de fármacos es muy lenta y costosa y, por lo tanto, a menudo no logra descubrir todos los beneficios de la terapia de combinación. Con la ayuda de un nuevo método de aprendizaje automático, es posible identificar las mejores combinaciones que eliminan selectivamente las células cancerosas con una composición genética o funcional específica.

Investigadores de la Universidad Aalto, la Universidad de Helsinki y la Universidad de Turku en Finlandia desarrolló un modelo de aprendizaje automático que predice con precisión cómo las combinaciones de medicamentos contra el cáncer matan varios tipos de células cancerosas. El nuevo modelo de IA se entrenó con un gran conjunto de datos obtenidos de estudios previos que investigaron la asociación entre fármacos y células cancerosas. «El modelo aprendido por la máquina es en realidad una función polinómica familiar de las matemáticas escolares, pero muy compleja», dice el profesor Juho Rousu de la Universidad Aalto.

Los resultados de la investigación se publicaron en Nature Communications y demuestran que el modelo encontró asociaciones entre fármacos y células cancerosas que no se habían observado previamente. «El modelo brinda resultados muy precisos. Por ejemplo, los valores del llamado coeficiente de correlación fueron superiores a 0,9 en nuestros experimentos, lo que apunta a una excelente confiabilidad», dice el profesor Rousu. En mediciones experimentales, se considera confiable un coeficiente de correlación de 0.8-0.9.

El modelo predice con precisión cómo una combinación de medicamentos inhibe selectivamente células cancerosas particulares cuando el efecto de la combinación de medicamentos en ese tipo de cáncer no ha sido evaluado. probado previamente. «Esto ayudará a los investigadores del cáncer a priorizar qué combinaciones de medicamentos elegir entre miles de opciones para futuras investigaciones», dice el investigador Tero Aittokallio del Instituto de Medicina Molecular de Finlandia (FIMM) en la Universidad de Helsinki.

El El mismo enfoque de aprendizaje automático podría usarse para enfermedades no cancerosas. En este caso, habría que volver a enseñar el modelo con datos relacionados con esa enfermedad. Por ejemplo, el modelo podría usarse para estudiar cómo las diferentes combinaciones de antibióticos afectan las infecciones bacterianas o con qué eficacia las diferentes combinaciones de medicamentos matan las células que han sido infectadas por el coronavirus SARS-Cov-2.

Explore más

Explicación de los efectos adversos de los ensayos de fármacos contra el cáncer Más información: Heli Julkunen et al. Aprovechamiento de interacciones multidireccionales para la predicción sistemática de efectos de combinación de fármacos preclínicos, Nature Communications (2020). DOI: 10.1038/s41467-020-19950-z Información de la revista: Nature Communications

Proporcionado por la Universidad Aalto Cita: AI predice qué combinaciones de medicamentos matan las células cancerosas (2020 , 1 de diciembre) recuperado el 30 de agosto de 2022 de https://medicalxpress.com/news/2020-12-ai-drug-combinations-cancer-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.