Algoritmos ayudan a identificar enfermedades a nivel molecular, permiten distinguir diferentes causas con síntomas similares

Actualmente los médicos definen y diagnostican la mayoría de las enfermedades en función de los síntomas. Sin embargo, eso no significa necesariamente que las enfermedades de pacientes con síntomas similares tendrán causas idénticas o demostrarán los mismos cambios moleculares. En biomedicina, a menudo se habla de los mecanismos moleculares de una enfermedad. Esto se refiere a cambios en la regulación de genes, proteínas o vías metabólicas al inicio de la enfermedad. El objetivo de la medicina estratificada es clasificar a los pacientes en varios subtipos a nivel molecular para proporcionar tratamientos más específicos.

Para extraer subtipos de enfermedades de grandes grupos de datos de pacientes, los nuevos algoritmos de aprendizaje automático pueden ayudar. Están diseñados para reconocer de forma independiente patrones y correlaciones en mediciones clínicas extensas. El grupo de investigación junior LipiTUM (estudio a gran escala de vías y redes de lípidos celulares en sistemas biológicos)., encabezado por el Dr. Josch Konstantin Pauling de la Cátedra de Bioinformática Experimental de la Universidad Técnica de Múnich​ (TUM, por sus siglas en alemán). ha desarrollado un algoritmo para este propósito.

Análisis complejo a través de una herramienta web automatizada

Dr. Josch Konstantin Pauling (izquierda) y el estudiante de doctorado Nikolai Köhler (derecha)

En el artículo “MoSBi: Automated signature mining for molecular stratification and subtyping[1] revisado por pares  fue publicado en Proceedings of the National Academy of Sciences. Se menciona que el método utilizado combina los resultados de los algoritmos existentes para obtener predicciones más precisas y sólidas de los subtipos clínicos. Esto unifica las características y ventajas de cada algoritmo y elimina un ajuste lento. “Esto hace que sea mucho más fácil aplicar el análisis en la investigación clínica”, informa el Dr. Pauling. “Por esa razón, hemos desarrollado una herramienta basada en la web que permite el análisis en línea de datos clínicos moleculares por parte de profesionales sin conocimientos previos de bioinformática”.

En el sitio web de la herramienta MoSBi (https://exbio.wzw.tum.de/mosbi/), los investigadores pueden enviar sus datos para un análisis automatizado y utilizar los resultados para interpretar sus estudios. “Otro aspecto importante para nosotros fue la visualización de los resultados. Los enfoques anteriores no eran capaces de generar visualizaciones intuitivas de las relaciones entre grupos de pacientes, factores clínicos y firmas moleculares. Esto cambiará con la visualización basada en la web producida por nuestra herramienta MoSBi”, afirma Tim Rose, científico de la Escuela de Ciencias de la Vida en la Universidad Técnica de Múnich​ (TUM). MoSBi por las siglas de “Molecular Signatures using Biclustering” que significa firmas moleculares usando Biclustering. “Biclustering” -agrupamiento dual- es el nombre de la tecnología utilizada por el algoritmo.

Solicitud de preguntas clínicamente relevantes

Con la herramienta, los investigadores ahora pueden, por ejemplo, representar datos de estudios de cáncer y simulaciones para varios escenarios. Ya han demostrado el potencial de su método en un estudio clínico a gran escala. En un estudio cooperativo realizado con investigadores del Instituto Max Planck de Dresden, la Universidad Técnica de Dresden y la Clínica Universitaria de Kiel, en Alemania, estudiaron el cambio en el metabolismo de los lípidos en el hígado de pacientes con enfermedad del hígado graso no alcohólico.

Esta enfermedad generalizada está asociada con la obesidad y la diabetes. Se desarrolla desde el hígado graso no alcohólico, en el que los lípidos se depositan en las células hepáticas, hasta la esteatohepatitis no alcohólica, en la que el hígado se inflama aún más, hasta la cirrosis hepática y la formación de tumores. Aparte de los ajustes dietéticos, no se han encontrado tratamientos hasta la fecha. Debido a que la enfermedad se caracteriza y diagnostica por la acumulación de varios lípidos en el hígado, es importante comprender su composición molecular.

Biomarcadores de enfermedad hepática

Usando los métodos MoSBi, los investigadores pudieron demostrar la heterogeneidad de los hígados de pacientes en la etapa hígado graso no alcohólico a nivel molecular. “Desde un punto de vista molecular, las células hepáticas de muchos pacientes con hígado graso no alcohólico eran casi idénticas a las de los pacientes con esteatohepatitis no alcohólica, mientras que otras seguían siendo muy similares a las de los pacientes sanos. También pudimos confirmar nuestras predicciones usando datos clínicos”, declaró el Dr. Pauling. “Luego pudimos identificar dos biomarcadores de lípidos potenciales para la progresión de la enfermedad“. Esto es importante para una oportuna identificación de la enfermedad, su progresión y el desarrollo de tratamientos específicos.

El grupo de investigación ya está trabajando en otras aplicaciones de su método para comprender mejor otras enfermedades. “En el futuro, los algoritmos desempeñarán un papel aún mayor en la investigación biomédica que el que ya tienen actualmente. Pueden hacer que sea significativamente más fácil detectar mecanismos complejos y encontrar enfoques de tratamiento más específicos”, asegura el Dr. Pauling.

Referencias

  1. Tim Daniel Rose, Thibault Bechtler, Octavia-Andreea Ciora, Kim Anh Lilian Le, Florian Molnar, Nikolai Köhler, Jan Baumbach, Richard Röttger, y Josch Konstantin Pauling; MoSBi: Automated signature mining for molecular stratification and subtyping; PNAS; Vol. 119 | No. 16; Publicado el 11 de abril de 2022; DOI: 10.1073/pnas.2118210119; Disponible en el URL https://www.pnas.org/doi/full/10.1073/pnas.2118210119

Tabla de contenidos

Compartir:

Facebook
Twitter
Pinterest
LinkedIn