Red neuronal profunda con información biológica para el descubrimiento del cáncer de próstata

Área de la Ciencia:

• En el campo de la oncología
• La bioinformática
• Aprendizaje automático

Sus antecedentes:

• Identificar las características moleculares del cáncer de próstata agresivo es un desafío.
• La interpretabilidad del aprendizaje automático ofrece nuevas vías para el descubrimiento y la predicción de la genómica del cáncer.

Objetivo del estudio:

• Desarrollar un modelo de aprendizaje profundo (P-NET) biológicamente informado e interpretable para el cáncer de próstata.
• Estratificar a los pacientes por resistencia al tratamiento e identificar los factores moleculares para la orientación terapéutica.

Principales métodos:

• Desarrolló P-NET, un modelo de aprendizaje profundo biológicamente informado.
• Se utilizó la completa interpretabilidad del modelo para evaluar los factores moleculares.
• Resultados validados in vitro.

Principales resultados:

• P-NET predice con precisión el estado del cáncer de próstata a partir de datos moleculares, superando a otros modelos.
• Se identificaron MDM4 y FGFR1 como alteraciones moleculares clave relacionadas con la enfermedad avanzada.
• Se revelaron candidatos moleculares establecidos y nuevos a través de la interpretabilidad de P-NET.

Conclusiones:

• Las redes neuronales biológicamente informadas e interpretables facilitan el descubrimiento preclínico y la predicción clínica en el cáncer de próstata.
• P-NET demuestra el potencial para identificar objetivos terapéuticos y mejorar la estratificación de los pacientes.
• El enfoque puede ser aplicable a otros tipos de cáncer.