Cr\u00e9dito: Pixabay\/CC0 Dominio p\u00fablico <\/p>\n
Investigadores de la Universidad Queen Mary de Londres desarrollaron un algoritmo de aprendizaje autom\u00e1tico que clasifica los medicamentos seg\u00fan su eficacia para reducir el crecimiento de c\u00e9lulas cancerosas . El enfoque puede tener el potencial de promover terapias personalizadas en el futuro al permitir que los onc\u00f3logos seleccionen los mejores medicamentos para tratar pacientes con c\u00e1ncer individuales. <\/p>\n
El m\u00e9todo, denominado Clasificaci\u00f3n de f\u00e1rmacos mediante aprendizaje autom\u00e1tico (DRUML), se public\u00f3 hoy en Nature Communications y se basa en el an\u00e1lisis de aprendizaje autom\u00e1tico de datos derivados del estudio de prote\u00ednas expresadas en c\u00e9lulas cancerosas. Habiendo sido entrenado en las respuestas de estas c\u00e9lulas a m\u00e1s de 400 f\u00e1rmacos, DRUML predice el mejor f\u00e1rmaco para tratar un modelo de c\u00e1ncer dado.<\/p>\n
Hablando del nuevo m\u00e9todo, el profesor Pedro Cutillas de la Universidad Queen Mary de Londres, quien dirigi\u00f3 el estudio, dijo: \u00abDRUML predijo la eficacia de los medicamentos en varios modelos de c\u00e1ncer y de los datos obtenidos de diferentes laboratorios y en un conjunto de datos cl\u00ednicos. Estos son resultados emocionantes porque los m\u00e9todos de aprendizaje autom\u00e1tico anteriores no han podido predecir con precisi\u00f3n las respuestas de los medicamentos en los conjuntos de datos de verificaci\u00f3n, y demuestran la solidez y la amplia aplicabilidad de nuestro m\u00e9todo\u00bb.<\/p>\n
La investigaci\u00f3n fue financiada por el Instituto Alan Turing, el Consejo de Investigaci\u00f3n M\u00e9dica, Barts Charity y Cancer Research UK.<\/p>\n
C\u00f3mo funciona DRUML ?<\/p>\n
El equipo utiliz\u00f3 conjuntos de datos derivados de an\u00e1lisis de prote\u00f3mica (el estudio de las prote\u00ednas dentro de las c\u00e9lulas) y fosfoprote\u00f3mica (el estudio de c\u00f3mo se modifican estas prote\u00ednas) de 48 l\u00edneas celulares de leucemia, c\u00e1ncer de es\u00f3fago y c\u00e1ncer de h\u00edgado como entrada para r DRUML para crear modelos que puedan aplicarse a la leucemia y los tumores s\u00f3lidos.<\/p>\n
Al entrenar los modelos usando las respuestas de estas c\u00e9lulas a 412 medicamentos contra el c\u00e1ncer enumerados en los repositorios de respuesta a medicamentos, DRUML pudo producir listas ordenadas basadas en sobre la eficacia de los medicamentos para reducir el crecimiento de c\u00e9lulas cancerosas. Luego, el equipo verific\u00f3 la precisi\u00f3n predictiva de los modelos utilizando datos obtenidos de otros 12 laboratorios y un conjunto de datos cl\u00ednicos de 36 muestras primarias de leucemia mieloide aguda.<\/p>\n
Es importante destacar que, a medida que se desarrollan nuevos medicamentos, DRUML podr\u00eda volver a entrenarse para capturar todos los medicamentos contra el c\u00e1ncer cl\u00ednicamente relevantes.<\/p>\n
Aprendizaje autom\u00e1tico y medicina personalizada<\/p>\n
Los c\u00e1nceres del mismo tipo exhiben una gran variaci\u00f3n en su composici\u00f3n gen\u00e9tica y caracter\u00edsticas de un paciente a otro. En la cl\u00ednica, esta variaci\u00f3n se traduce en pacientes que tienen diferentes respuestas a la terapia. Para abordar este problema, el campo de la medicina personalizada tiene como objetivo combinar conocimientos gen\u00e9ticos con otra informaci\u00f3n cl\u00ednica y de diagn\u00f3stico para identificar patrones que permitan a los m\u00e9dicos predecir las respuestas de los pacientes a las terapias y seleccionar las intervenciones m\u00e1s efectivas.<\/p>\n
La aplicaci\u00f3n de la inteligencia artificial y el aprendizaje autom\u00e1tico a la biomedicina promete ayudar a la medicina personalizada y transformar la forma en que se diagnostican y tratan los c\u00e1nceres en el futuro. Este estudio representa un avance significativo en inteligencia artificial en la investigaci\u00f3n biom\u00e9dica y demuestra que el aprendizaje autom\u00e1tico utilizando datos de prote\u00f3mica y fosfoprote\u00f3mica puede ser una forma eficaz de seleccionar el mejor f\u00e1rmaco para tratar diferentes modelos de c\u00e1ncer. <\/p>\n
Explore m\u00e1s<\/p>\n
Aprendizaje autom\u00e1tico que predice la eficacia de los f\u00e1rmacos contra el c\u00e1ncer M\u00e1s informaci\u00f3n:<\/strong> La clasificaci\u00f3n de f\u00e1rmacos mediante el aprendizaje autom\u00e1tico predice sistem\u00e1ticamente la eficacia de los f\u00e1rmacos contra el c\u00e1ncer, Nature Communications (2021). DOI: 10.1038\/s41467-021-22170-8 Informaci\u00f3n de la revista:<\/strong> Nature Communications <\/p>\n Proporcionado por Queen Mary, Universidad de Londres Cita<\/strong>: Los investigadores utilizan el aprendizaje autom\u00e1tico para clasificar medicamentos contra el c\u00e1ncer en orden de eficacia (25 de marzo de 2021) recuperado el 30 de agosto de 2022 de https:\/\/medicalxpress.com\/news\/2021-03-machine-cancer-drugs-efficacy.html Este documento est\u00e1 sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigaci\u00f3n privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona \u00fanicamente con fines informativos.<\/p>\n","protected":false},"excerpt":{"rendered":" Cr\u00e9dito: Pixabay\/CC0 Dominio p\u00fablico Investigadores de la Universidad Queen Mary de Londres desarrollaron un algoritmo de aprendizaje autom\u00e1tico que clasifica los medicamentos seg\u00fan su eficacia para reducir el crecimiento de c\u00e9lulas cancerosas . El enfoque puede tener el potencial de promover terapias personalizadas en el futuro al permitir que los onc\u00f3logos seleccionen los mejores medicamentos … Continuar leyendo \u00abInvestigadores utilizan el aprendizaje autom\u00e1tico para clasificar los medicamentos contra el c\u00e1ncer en orden de eficacia\u00bb<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-17189","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/17189","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/comments?post=17189"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/17189\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=17189"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=17189"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=17189"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}