Bautizada como SIDISH, esta herramienta ayuda a los científicos a diseñar tratamientos dirigidos al resaltar las células tumorales más estrechamente asociadas con resultados desfavorables para el paciente. Permite evitar que todas las células cancerosas sean tratadas como si se comportaran de la misma manera.
Durante un estudio preclínico publicado en Nature Communications, el método SIDISH permitió identificar células "de alto riesgo" en muestras tumorales extraídas de pacientes con cáncer de páncreas, de mama o de pulmón, y analizadas en laboratorio.
Funcionamiento de la herramienta
La principal novedad del método SIDISH radica en su capacidad para establecer un vínculo entre lo que ocurre dentro de las células y los resultados para los pacientes, una búsqueda de larga data en la investigación del cáncer.
"Por un lado, los datos a nivel celular son muy detallados, pero generalmente provienen de un número reducido de pacientes y rara vez indican la evolución real del estado de salud. Por otro lado, los datos de los pacientes, a menudo analizados de forma global, contienen información relacionada con la supervivencia, pero representan un promedio de las señales emitidas por millones de células, lo que impide identificar las células raras pero peligrosas que impulsan la enfermedad", explica Yasmin Jolasun, doctoranda del Departamento de Medicina de la Universidad McGill y autora principal del estudio.
Es difícil combinar eficazmente estos dos tipos de datos con las herramientas informáticas actuales.
"Nuestra herramienta permite unir esos dos mundos. En efecto, permite detectar las células más estrechamente relacionadas con una progresión rápida de la enfermedad y obtener indicios sobre la supervivencia de los pacientes", precisa Yasmin Jolasun.
Agrega que, aunque el método SIDISH se probó inicialmente en el cáncer, podría aplicarse a otras enfermedades complejas en las que las diferencias entre células juegan un papel importante.
SIDISH es el acrónimo de "Semi-supervised Iterative Deep Learning for Identifying Single-cell High-Risk Populations" (aprendizaje profundo iterativo semisupervisado para la identificación de poblaciones de alto riesgo a nivel unicelular).
Predicción de dianas terapéuticas antes de los ensayos en laboratorio
Además de identificar el problema, la herramienta SIDISH permite simular la reacción de las células de alto riesgo ante la activación o desactivación de ciertos genes, lo que permite determinar qué genes podrían constituir dianas terapéuticas prometedoras.
"Dado que normalmente se necesitan años de investigación por ensayo y error para encontrar las dianas correctas, este enfoque podría acelerar el desarrollo de fármacos", se alegra Jun Ding, autor principal del estudio, profesor adjunto del Departamento de Medicina de la Universidad McGill y científico junior del Instituto de Investigación del Centro Universitario de Salud McGill.
Por ejemplo, el tumor de un paciente se analizaría mediante secuenciación unicelular, luego la herramienta SIDISH identificaría las células que impulsan el tumor, simularía su reacción a diferentes fármacos y produciría una lista reducida de los tratamientos con más probabilidades de ser eficaces, explica el investigador.
"A corto plazo, el método SIDISH podría permitirnos encontrar nuevas indicaciones para fármacos existentes aprobados por la FDA, basándonos en conjuntos de datos públicos. A largo plazo, la herramienta podría cambiar radicalmente el proceso de descubrimiento de fármacos", indica Jun Ding.
La herramienta se encuentra en fase de desarrollo y aún no se utiliza en la práctica clínica. El equipo de investigación intenta aplicar el método SIDISH a otras enfermedades y colabora con empresas asociadas para perfeccionarlo.