Un estudio reciente ha introducido un método novedoso que combina la nanoinformática y el aprendizaje automático para predecir con precisión el comportamiento de las células cancerosas, lo que permite la identificación de subpoblaciones celulares con características distintivas como la sensibilidad a los fármacos y el potencial metastásico.
En un importante avance en la lucha contra el cáncer, un equipo de investigación de la Universidad Hebrea ha desarrollado un nuevo método para predecir el comportamiento de las células cancerosas con alta precisión.
Este enfoque innovador, que combina la nanoinformática y el aprendizaje automático, podría revolucionar el diagnóstico y el tratamiento del cáncer al permitir la identificación rápida de subpoblaciones de células cancerosas con diferentes comportamientos biológicos.
En un novedoso estudio dirigido por el estudiante de doctorado Yoel Goldstein y la profesora Ofra Benny de la Escuela de Farmacia de la Facultad de Medicina, en colaboración con el profesor Tommy Kaplan, jefe del Departamento de Biología Computacional de la Escuela de Ingeniería y Ciencias de la Computación de la Universidad Hebrea, se desarrolló un método innovador para predecir el comportamiento de las células cancerosas utilizando nanoinformática y aprendizaje automático.
Este descubrimiento puede suponer un avance significativo en el diagnóstico y tratamiento del cáncer, permitiendo la identificación de subpoblaciones de células cancerosas con diferentes características a través de pruebas sencillas y rápidas.
La fase inicial del estudio consistió en exponer las células cancerosas a partículas de varios tamaños, cada una identificada por un color único. Posteriormente, se cuantificó la cantidad precisa de partículas consumidas por cada célula. A continuación, los algoritmos de aprendizaje automático analizaron estos patrones de absorción para predecir comportamientos celulares críticos, como la sensibilidad a los fármacos y el potencial metastásico.
“Nuestro método es novedoso en su capacidad para distinguir entre células cancerosas que parecen idénticas pero se comportan de manera diferente a nivel biológico”, explicó Yoel Goldstein “Esta precisión se logra a través del análisis algorítmico de cómo las micro y nanopartículas son absorbidas por las células. Ser capaz de recopilar y analizar nuevos tipos de datos plantea nuevas posibilidades para el campo, con el potencial de revolucionar el tratamiento clínico y el diagnóstico a través del desarrollo de nuevas herramientas”.
La investigación allana el camino para nuevos tipos de pruebas clínicas que podrían tener un impacto significativo en la atención al paciente. “Este descubrimiento nos permite utilizar potencialmente células de biopsias de pacientes para predecir rápidamente la progresión de la enfermedad o la resistencia a la quimioterapia”, afirmó la profesora Benny. “También podría conducir al desarrollo de análisis de sangre innovadores que evalúen la eficacia de los tratamientos de inmunoterapia dirigida, por ejemplo”.
Las herramientas actuales para predecir y detectar el cáncer a menudo carecen de precisión y eficiencia. Los métodos tradicionales, como las exploraciones por imágenes y las biopsias de tejido, pueden ser invasivos, costosos y llevar mucho tiempo, lo que provoca retrasos en el tratamiento y posibles diagnósticos erróneos.
Es posible que estos enfoques no capten la naturaleza dinámica de la progresión del cáncer y pueden dar lugar a conocimientos limitados sobre el comportamiento de la enfermedad a nivel celular. En consecuencia, los pacientes pueden experimentar retrasos en el diagnóstico, resultados de tratamiento subóptimos y un aumento de la angustia psicológica.
Esto pone de relieve la necesidad urgente de herramientas diagnósticas más eficaces y no invasivas, como el reciente avance logrado por los investigadores de la Universidad Hebrea, que representan un avance significativo en la medicina personalizada, lo que brinda la esperanza de estrategias de tratamiento más efectivas y personalizadas para los pacientes con cáncer.
El artículo de investigación titulado “Particle uptake in cancer cells can predict malignancy and drug resistance using machine learning”, ya está disponible en Science Advances.
Investigadores:
Yoel Goldstein1, Ora T. Cohen1, Ori Wald2, Danny Bavli3, Tommy Kaplan4,5, Ofra Benny1.
Instituciones:
1) Instituto de Investigación de Medicamentos, Escuela de Farmacia, Facultad de Medicina, Universidad Hebrea de Jerusalem.
2) Departamento de Cirugía Cardiotorácica, Facultad de Medicina, Universidad Hebrea-Hadassah.
3) Departamento de Células Madre y Biología Regenerativa, Instituto de Células Madre de Harvard, Universidad de Harvard.
4) Escuela de Ciencias de la Computación e Ingeniería, Universidad Hebrea de Jerusalem.
5) Departamento de Biología del Desarrollo e Investigación del Cáncer, Facultad de Medicina, Universidad Hebrea de Jerusalem.
