Esquema de las múltiples interacciones genéticas aleatorias humanas. Crédito: Graeme Benstead-Hume, Universidad de Sussex.
Algoritmos para hacer más eficaz el tratamiento oncológico
2 de Mayo de 2019 | Historia original de la Universidad de Sussex
Mientras que los algoritmos de red suelen asociarse con la búsqueda de amigos en las redes sociales, los investigadores de la Universidad de Sussex han demostrado cómo se podrían utilizar para mejorar la efectividad del tratamiento oncológico, mediante la predicción de las interacciones entre los genes.
Hay más de 12 millones casos de cáncer recién diagnosticados a nivel mundial cada año y esta cifra continúa creciendo.
Los tratamientos existentes, como la quimioterapia, implican agentes no selectivos que tienen una efectividad limitada y efectos secundarios fuertes. Como resultado, los científicos creen que hay una necesidad desesperada de tratamientos mejorados, más personalizados y dirigidos específicamente hacia las células cancerosas.
Hay una serie de terapias dirigidas contra el cáncer desarrolladas que explotan una relación génica llamada “interacciones letales sintéticas”1 . El problema es que, hasta ahora, se han identificado relativamente pocas de estas interacciones.
Gracias al uso de métodos de inteligencia artificial, investigadores de la Universidad de Sussex, que trabajan junto con un equipo del Instituto de Investigación del Cáncer en Londres, han creado con éxito un algoritmo que puede predecir dónde pueden ocurrir estas interacciones.
Graeme Benstead-Hume, estudiante de doctorado de la Universidad de Sussex, dijo: “sintéticamente letal” significa que las células pueden sobrevivir, si alguna de sus proteínas no funciona, pero morirá si ninguna de las proteínas está funcionando.
“Estas relaciones son importantes porque se pueden utilizar para identificar dónde podrían apuntar los posibles tratamientos farmacológicos dirigiéndose sólo a las células cancerosas, pero dejando a las células sanas ilesas, creando un tratamiento más eficaz y más suave.”
“Con el cáncer de mama, ya hemos visto que estas terapias más personalizadas se pueden lograr encontrando pares de proteínas sintéticamente letales. El único problema es que existen muchos millones de pares potenciales y encontrar nuevos resulta difícil y requiere mucho tiempo.”
“Afortunadamente, nuestro algoritmo, Slant, ahora permite abordar esta complejidad.”
El algoritmo Slant utiliza los datos disponibles, para identificar patrones asociados, que pueden ser parte de una interacción letal sintética.
Al buscar en una red de proteínas expansiva para patrones similares, es capaz de predecir eficazmente nuevos pares sintéticamente letales. Estas predicciones fueron validadas por los investigadores en el laboratorio y ahora están disponibles públicamente en una base de datos recién creada llamada Slorth, que permite a los médicos e investigadores buscar rápidamente un gen o una droga en particular, e identificar si un pueden producirse interacciones letales sintéticas.
Este innovador enfoque computacional se ha publicado ahora en el journal PLOS Computational Biology.
La Dra. Frances Pearl2, , autora de correspondencia del trabajo, dijo: “este trabajo muestra cómo la tecnología emergente y la inteligencia artificial pueden acelerar rápidamente el trabajo que puede conducir a nuevas estrategias de tratamiento para enfermedades como el cáncer.”
"Al predecir las interacciones entre los genes, hemos acelerado un proceso que habría sido increíblemente lento."
1 Letalidad resultante de la interacción simultánea de factores que no serían letales en forma aislada.
2 Correo de Frances Pearl: Esta dirección de correo electrónico está siendo protegida contra los robots de spam. Necesita tener JavaScript habilitado para poder verlo. | Web: http://www.sussex.ac.uk/lifesci/bioinformaticslab/
Este artículo ha sido republicado a partir del material proporcionado por la Universidad de Sussex y editado para adecuar su longitud y contenido.
Referencia: Benstead-Hume et al. 2019. Predicting synthetic lethal interactions using conserved patterns in protein interaction networks. PLOS Biology. https://doi.org/10.1371/journal.pcbi.1006888
Para más información, ver la fuente citada.
