Investigadores y científicos de datos de UT Southwestern Medical Center y MD Anderson Cancer Center. Han desarrollado una técnica de IA (inteligencia anrtificial). La cual puede identificar qué péptidos de la superficie celular producidos por células cancerosas llamadas neoantígenos son reconocidos por el sistema inmunológico.
IA: ¿De qué se trata la nueva técnica que podría predecir el pronóstico del cáncer ?
La técnica pMTnet, que se detalla en línea en Nature Machine Intelligence. Podría conducir a nuevas formas de predecir el pronóstico del cáncer y la capacidad de respuesta potencial a las inmunoterapias.
“Determinar qué neoantígenos se unen a los receptores de células T y cuáles no parece una hazaña imposible. Pero con el aprendizaje automático, estamos progresando “.
Dr. Tao Wang, Ph.D., autor principal del estudio y profesor asistente, Ciencias de la población y los datos, UT Southwestern Medical Center
La presencia de neoantígenos
Las mutaciones en el genoma de las células cancerosas hacen que presenten diferentes neoantígenos en sus superficies. Algunos de estos neoantígenos son reconocidos por células T inmunes que buscan signos de cáncer e invasores extraños. Lo que permite que el sistema inmunológico destruya las células cancerosas. Sin embargo, otros parecen invisibles para las células T, lo que permite que los cánceres crezcan sin control.
“Para el sistema inmunológico, la presencia de neoantígenos es una de las mayores diferencias entre las células normales y las tumorales”. Así lo dijo Tianshi Lu, primer coautor con Ze Zhang, estudiantes de doctorado en el laboratorio Tao Wang.
“Si podemos averiguar qué neoantígenos estimulan una respuesta inmunitaria. Podríamos utilizar este conocimiento en una variedad de formas diferentes para combatir el cáncer”, dijo la Sra. Lu.
IA: Vacunas personalizadas contra el cáncer
Ser capaz de predecir qué neoantígenos son reconocidos por las células T podría ayudar a los investigadores a desarrollar vacunas personalizadas contra el cáncer.
Así como diseñar mejores terapias basadas en células T o predecir qué tan bien podrían responder los pacientes a otros tipos de inmunoterapias. Pero hay decenas de miles de neoantígenos diferentes, y los métodos para predecir cuáles desencadenan una respuesta de células T han demostrado ser lentos. Técnicamente desafiantes y costosos.
Un algoritmo basado en aprendizaje profundo
Buscando una mejor técnica con el apoyo de subvenciones de los Institutos Nacionales de Salud (NIH). El equipo de investigación buscó el aprendizaje automático.
Entrenaron un algoritmo basado en aprendizaje profundo al que llamaron pMTnet utilizando datos de combinaciones conocidas vinculantes o no vinculantes. Las cuales constaban de tres componentes diferentes: neoantígenos; proteínas llamadas complejos mayores de histocompatibilidad (MHC). Los cuales presentan neoantígenos en la superficie de las células cancerosas. Y los receptores de células T (TCR) responsables de reconocer los complejos neoantígeno-MHC.
RESULTADOS:
Luego probaron el algoritmo contra un conjunto de datos desarrollado a partir de 30 estudios diferentes. Los cuales, habían identificado experimentalmente pares de células T neoantígenas vinculantes o no vinculantes-receptor. Este experimento mostró que los nuevos algoritmos tenían un alto nivel de precisión.
Los investigadores utilizaron esta nueva herramienta para recopilar información sobre los neoantígenos catalogados en The Cancer Genome Atlas. Una base de datos pública que contiene información de más de 11.000 tumores primarios.
pMTnet mostró que los neoantígenos generalmente desencadenan una respuesta inmune más fuerte en comparación con los antígenos asociados a tumores. También predijo qué pacientes tenían mejores respuestas a las terapias de bloqueo de puntos de control inmunológico y tenían mejores tasas de supervivencia general.
Notas relacionadas:
¡UNO MÁS! Infección por COVID-19 aumenta el riesgo de preeclampsia
4 grupos con mayor riesgo de COVID prolongado, según estudios
Investigadores mexicanos descubren comportamiento de gotas COVID-19
