Viendo \u00aba trav\u00e9s\u00bb del c\u00e1ncer con el poder del an\u00e1lisis de datos, posible con la ayuda de la inteligencia artificial. Cr\u00e9dito: MPI f. Molecular Genetics\/ Ella Maru Studio <\/p>\n
Un nuevo algoritmo puede predecir qu\u00e9 genes causan c\u00e1ncer, incluso si su secuencia de ADN no cambia. Un equipo de investigadores en Berl\u00edn combin\u00f3 una amplia variedad de datos, los analiz\u00f3 con \u00abinteligencia artificial\u00bb e identific\u00f3 numerosos genes del c\u00e1ncer. Esto abre nuevas perspectivas para la terapia dirigida contra el c\u00e1ncer en medicina personalizada y para el desarrollo de biomarcadores. <\/p>\n
En el c\u00e1ncer, las c\u00e9lulas se descontrolan. Proliferan y se abren camino en los tejidos, destruyendo \u00f3rganos y, por lo tanto, afectando funciones vitales esenciales. Este crecimiento sin restricciones generalmente es inducido por una acumulaci\u00f3n de cambios en el ADN en los genes del c\u00e1ncer, es decir. mutaciones en estos genes que gobiernan el desarrollo de la c\u00e9lula. Pero algunos c\u00e1nceres tienen muy pocos genes mutados, lo que significa que otras causas conducen a la enfermedad en estos casos.<\/p>\n
Un equipo de investigadores del Instituto Max Planck de Gen\u00e9tica Molecular (MPIMG) en Berl\u00edn y del El Instituto de Biolog\u00eda Computacional de Helmholtz Zentrum Mnchen desarroll\u00f3 un nuevo algoritmo utilizando tecnolog\u00eda de aprendizaje autom\u00e1tico para identificar 165 genes de c\u00e1ncer previamente desconocidos. Aparentemente, las secuencias de estos genes no est\u00e1n necesariamente alteradas, ya que una desregulaci\u00f3n de estos genes puede conducir al c\u00e1ncer. Todos los genes recientemente identificados interact\u00faan estrechamente con genes de c\u00e1ncer bien conocidos y se ha demostrado que son esenciales para la supervivencia de las c\u00e9lulas tumorales en experimentos de cultivo celular.<\/p>\n
Objetivos adicionales para la medicina personalizada<\/p>\n
El algoritmo, denominado \u00abEMOGI\u00bb por Integraci\u00f3n de gr\u00e1ficos multi\u00f3micos explicables, tambi\u00e9n puede explicar las relaciones en la maquinaria de la c\u00e9lula que hacen que un gen sea un gen canceroso. Como describe el equipo de investigadores encabezado por Annalisa Marsico en la revista Nature Machine Intelligence, el software integra decenas de miles de conjuntos de datos generados a partir de muestras de pacientes. Estos contienen informaci\u00f3n sobre las metilaciones del ADN, la actividad de los genes individuales y las interacciones de las prote\u00ednas dentro de las v\u00edas celulares, adem\u00e1s de datos de secuencias con mutaciones. En estos datos, un algoritmo de aprendizaje profundo detecta los patrones y los principios moleculares que conducen al desarrollo del c\u00e1ncer.<\/p>\n
\u00abIdealmente, obtenemos una imagen completa de todos los genes del c\u00e1ncer en alg\u00fan momento, que puede tener un diferente impacto en la progresi\u00f3n del c\u00e1ncer para diferentes pacientes\u00bb, dice Marsico, jefe de un grupo de investigaci\u00f3n en MPIMG hasta hace poco y ahora en Helmholtz Zentrum Mnchen. \u00abEsta es la base para la terapia personalizada contra el c\u00e1ncer\u00bb.<\/p>\n
A diferencia de los tratamientos convencionales contra el c\u00e1ncer, como la quimioterapia, los enfoques de terapia personalizada adaptan la medicaci\u00f3n precisamente al tipo de tumor. \u201cEl objetivo es seleccionar la mejor terapia para cada paciente, es decir, el tratamiento m\u00e1s efectivo con la menor cantidad de efectos secundarios. Adem\u00e1s, ser\u00edamos capaces de identificar c\u00e1nceres que ya se encuentran en etapas tempranas, en funci\u00f3n de sus caracter\u00edsticas moleculares\u201d.<\/p>\n
\u201cSolo si conocemos las causas de la enfermedad seremos capaces de contrarrestarlas o corregirlas de forma eficaz\u201d, afirma la investigadora. \u00abPor eso es tan importante identificar tantos mecanismos como sea posible que puedan inducir c\u00e1nceres\u00bb.<\/p>\n
Mejores resultados por combinaci\u00f3n<\/p>\n
\u00abHasta ahora, la mayor\u00eda de las investigaciones se han centrado en los cambios patog\u00e9nicos en el secuencia gen\u00e9tica, es decir, en el modelo de la c\u00e9lula\u00bb, dice Roman Schulte-Sasse, estudiante de doctorado en el equipo de Marsico y primer autor de la publicaci\u00f3n. \u00abAl mismo tiempo, se ha hecho evidente en los \u00faltimos a\u00f1os que las perturbaciones epigen\u00e9ticas o la actividad gen\u00e9tica desregulada tambi\u00e9n pueden provocar c\u00e1ncer\u00bb.<\/p>\n
Es por eso que los investigadores fusionaron datos de secuencias que reflejan fallas en el modelo informaci\u00f3n que representa eventos dentro de la celda. Inicialmente, los cient\u00edficos confirmaron que las mutaciones, o la multiplicaci\u00f3n de segmentos del genoma, son de hecho los principales impulsores del c\u00e1ncer. Luego, en un segundo paso, identificaron genes candidatos que est\u00e1n en un contexto menos directo con el gen real que impulsa el c\u00e1ncer.<\/p>\n
\u00abPor ejemplo, encontramos genes cuya secuencia no cambia en su mayor\u00eda en el c\u00e1ncer y, sin embargo, son indispensables para el tumor porque regulan el suministro de energ\u00eda\u00bb, dice Schulte-Sasse. Estos genes est\u00e1n fuera de control por otros medios, por ejemplo, debido a cambios qu\u00edmicos en el ADN como metilaciones. Estas modificaciones dejan intacta la informaci\u00f3n de la secuencia pero gobiernan la actividad de un gen. \u00abDichos genes son objetivos farmacol\u00f3gicos prometedores, pero debido a que operan en segundo plano, solo podemos encontrarlos mediante el uso de algoritmos complejos\u00bb.<\/p>\n
En busca de pistas para estudios adicionales<\/p>\n
La investigaci\u00f3n del investigador El nuevo programa a\u00f1ade un n\u00famero considerable de nuevas entradas a la lista de genes sospechosos de c\u00e1ncer, que ha crecido entre 700 y 1.000 en los \u00faltimos a\u00f1os. Fue solo a trav\u00e9s de una combinaci\u00f3n de an\u00e1lisis bioinform\u00e1tico y los m\u00e9todos m\u00e1s nuevos de inteligencia artificial (IA) que los investigadores pudieron rastrear los genes ocultos.<\/p>\n
\u00abLas interacciones de las prote\u00ednas y los genes se pueden mapear como un mapa matem\u00e1tico conocida como gr\u00e1fico\u00bb, dice Schulte-Sasse. \u00abPuedes pensar en ello como intentar adivinar una red ferroviaria; cada estaci\u00f3n corresponde a una prote\u00edna o gen, y cada interacci\u00f3n entre ellos es la conexi\u00f3n del tren\u00bb.<\/p>\n
Con la ayuda del aprendizaje profundo, los mismos algoritmos que han ayudado a la inteligencia artificial a hacer un gran avance en los \u00faltimos a\u00f1os, los investigadores pudieron descubrir incluso esas conexiones de trenes que antes hab\u00edan pasado desapercibidas. Schulte-Sasse hizo que la computadora analizara decenas de miles de mapas de red diferentes de 16 tipos de c\u00e1ncer diferentes, cada uno de los cuales conten\u00eda entre 12\u00a0000 y 19\u00a0000 puntos de datos.<\/p>\n
Adecuado tambi\u00e9n para otros tipos de enfermedades<\/p>\n
Ocultos en los datos hay muchos m\u00e1s detalles interesantes. \u00abVemos patrones que dependen del c\u00e1ncer y el tejido en particular\u00bb, dice Marsico. \u00abVemos esto como evidencia de que los tumores son desencadenados por diferentes mecanismos moleculares en diferentes \u00f3rganos\u00bb.<\/p>\n
El programa EMOGI no se limita al c\u00e1ncer, enfatizan los investigadores. En teor\u00eda, se puede usar para integrar diversos conjuntos de datos biol\u00f3gicos y encontrar patrones all\u00ed, explica Marsico. \u00abPodr\u00eda ser \u00fatil aplicar nuestro algoritmo para enfermedades complejas similares para las que se recopilan datos multifac\u00e9ticos y donde los genes juegan un papel importante. Un ejemplo podr\u00eda ser enfermedades metab\u00f3licas complejas como la diabetes\u00bb. <\/p>\n
Explore m\u00e1s<\/p>\n
Un nuevo algoritmo de predicci\u00f3n identifica genes impulsores de c\u00e1ncer no detectados previamente. M\u00e1s informaci\u00f3n:<\/strong> Roman Schulte-Sasse et al. Integraci\u00f3n de datos multi\u00f3micos con redes convolucionales de gr\u00e1ficos para identificar nuevos genes de c\u00e1ncer y sus mecanismos moleculares asociados, Nature Machine Intelligence (2021). DOI: 10.1038\/s42256-021-00325-y Informaci\u00f3n del diario:<\/strong> Nature Machine Intelligence <\/p>\n Proporcionado por Max Planck Society Cita<\/strong>: M\u00e1s que la suma de mutaciones: 165 nuevos genes del c\u00e1ncer identificados con la ayuda del aprendizaje autom\u00e1tico (2021, 12 de abril) recuperado el 30 de agosto de 2022 de https:\/\/medicalxpress.com\/news\/2021-04-sum-mutations-cancer-genes-machine.html Este documento est\u00e1 sujeto a los 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":" Viendo \u00aba trav\u00e9s\u00bb del c\u00e1ncer con el poder del an\u00e1lisis de datos, posible con la ayuda de la inteligencia artificial. Cr\u00e9dito: MPI f. Molecular Genetics\/ Ella Maru Studio Un nuevo algoritmo puede predecir qu\u00e9 genes causan c\u00e1ncer, incluso si su secuencia de ADN no cambia. Un equipo de investigadores en Berl\u00edn combin\u00f3 una amplia variedad … Continuar leyendo \u00abM\u00e1s que la suma de mutaciones: 165 nuevos genes del c\u00e1ncer identificados con la ayuda del aprendizaje autom\u00e1tico\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-20920","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/20920","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=20920"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/20920\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=20920"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=20920"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=20920"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}