Conocimientos basados en el aprendizaje automático en el metabolismo del cáncer: desde el subtipo hasta el...

Área de la Ciencia:

• En el campo de la oncología
• La bioinformática
• Metabolomía

Sus antecedentes:

• Las células cancerosas exhiben una reprogramación metabólica crucial para el crecimiento del tumor y la resistencia al tratamiento.
• La metabolomía, utilizando espectrometría de masas y RMN, proporciona una visión detallada de la bioquímica celular.
• La integración de la metabolomía con el aprendizaje automático (ML) mejora el análisis de datos complejos sobre el cáncer.

Objetivo del estudio:

• Revisar el papel significativo de la ML en el avance de la investigación sobre el metabolismo del cáncer.
• Para resaltar las aplicaciones de ML en el subtipo de cáncer, el descubrimiento de biomarcadores y el modelado de pronósticos.
• Discutir los desafíos y las soluciones emergentes para la traducción clínica de la metabolomía mejorada por ML.

Principales métodos:

• Revisión sistemática de las metodologías de ML (supervisado, sin supervisión, aprendizaje profundo) aplicadas a la metabolomía del cáncer.
• Análisis de la integración del metabolismo ML en el subtipo de cáncer (por ejemplo, cáncer de mama triple negativo).
• Evaluación de modelos de ML para el descubrimiento de biomarcadores y el modelado de pronósticos en varios tipos de cáncer.

Principales resultados:

• ML-metabolomics identifica con éxito los subtipos de cáncer, los biomarcadores con una precisión de >90% y construye modelos de pronóstico.
• Las aplicaciones abarcan cáncer de mama, colorrectal, pulmón, ovario, próstata, tiroides y páncreas.
• El ML ayuda en la detección temprana, la estratificación del riesgo y la planificación del tratamiento personalizado.

Conclusiones:

• La metabolomía mejorada por ML es fundamental para comprender el metabolismo del cáncer y conducir la oncología de precisión.
• Abordar los desafíos de calidad e interpretabilidad de los datos es clave para la aplicación clínica.
• Las soluciones emergentes como la IA explicable (XAI) facilitan la traducción de los hallazgos de la investigación a la práctica clínica.