Descubrimiento de fármacos multirretidos impulsado por el aprendizaje automático en el cáncer de colon utilizando...

Área de la Ciencia:

• Oncología computacional
• La bioinformática
• La inteligencia artificial en la medicina

Sus antecedentes:

• Los desafíos persisten en la comprensión de las vías moleculares del cáncer de colon (CC) y la identificación de genes esenciales para terapias dirigidas.
• Aprovechar los datos moleculares, como la expresión génica y los perfiles de mutación, es crucial para avanzar en las terapias multi-objetivo en CC.
• Las estrategias terapéuticas actuales requieren una mejora en la predicción de las respuestas a los medicamentos y el tratamiento de la resistencia a los mismos.

Objetivo del estudio:

• Desarrollar y validar un marco computacional integrado para la terapia personalizada del cáncer de colon (CC).
• Mejorar la predicción de los resultados terapéuticos y las respuestas a los medicamentos utilizando algoritmos avanzados de IA.
• Abordar los desafíos en el tratamiento de la CC, incluida la resistencia a los medicamentos y la necesidad de medicina de precisión.

Principales métodos:

• Integración de firmas de biomarcadores de la expresión génica de alta dimensión, datos de mutación y redes de interacción de proteínas.
• Aplicación de la optimización Adaptive Bacterial Foraging (ABF) para refinar los parámetros de búsqueda y maximizar la precisión predictiva.
• Utilización del algoritmo CatBoost para la clasificación de pacientes basada en perfiles moleculares y predicción de la respuesta al fármaco.

Principales resultados:

• El sistema ABF-CatBoost propuesto demostró un rendimiento superior a los modelos tradicionales de aprendizaje automático, logrando una precisión del 98,6%, una especificidad de 0,984, una sensibilidad de 0,979 y una puntuación de 0,978.
• El modelo predice con precisión los riesgos de toxicidad, las vías metabólicas y los perfiles de eficacia de los medicamentos, lo que contribuye a tratamientos más seguros y efectivos.
• La validación externa confirmó la precisión predictiva y la generalización del modelo para la terapia personalizada del cáncer de colon.

Conclusiones:

• El modelo de IA desarrollado mejora significativamente la medicina de precisión en el cáncer de colon (CC) mediante la personalización de la terapia basada en perfiles moleculares específicos del paciente.
• Este marco computacional ofrece un enfoque terapéutico multidireccional, abordando la resistencia a los medicamentos y optimizando la selección y la dosis de los mismos.
• El carácter adaptable del marco permite su modificación para otros tipos de cáncer, ampliando su impacto en el tratamiento personalizado del cáncer y acelerando el descubrimiento de fármacos.