IA mejora detección de mutaciones genéticas en diagnóstico del cáncer

La identificación precisa de mutaciones genéticas es fundamental para el diagnóstico del cáncer y la investigación genómica, pero los métodos actuales presentan dificultades con datos de secuenciación complejos y muestras clínicas limitadas. El análisis tumoral a menudo requiere tejido sano compatible para su comparación, lo cual no siempre está disponible, mientras que la secuenciación de ARN se complica por la edición biológica y el ruido técnico. Estos desafíos pueden retrasar el diagnóstico y limitar la utilidad clínica de los datos genómicos. Los investigadores han desarrollado herramientas de inteligencia artificial (IA) que superan estas barreras, permitiendo una detección más precisa de mutaciones directamente a partir de datos de ADN y ARN de lectura larga.

Investigadores de la Universidad de Hong Kong (Hong Kong, China) han desarrollado dos algoritmos de aprendizaje profundo, ClairS-TO y Clair3-RNA, diseñados específicamente para tecnologías de secuenciación de lectura larga. Estos algoritmos capturan tramos extensos de ADN o ARN y ofrecen información genética más completa que los métodos de lectura corta. ClairS-TO se centra en el análisis de ADN tumoral, utilizando una arquitectura de red dual que distingue las mutaciones cancerosas reales de los errores de secuenciación sin necesidad de tejido normal compatible.

Imagen: los datos de secuenciación de ADN y ARN de lectura larga analizados mediante algoritmos de IA pueden mejorar la precisión de la detección de mutaciones (fotografía cortesía de 123RF)

Clair3-RNA es el primer algoritmo de llamada de variantes pequeñas basado en aprendizaje profundo, optimizado para la secuenciación de ARN de lectura larga. Esto permite una diferenciación precisa entre variantes genéticas genuinas, eventos de edición de ARN y artefactos técnicos. Ambos algoritmos se evaluaron en conjuntos de datos de secuenciación complejos y demostraron una precisión significativamente mejorada en comparación con los enfoques existentes.

ClairS-TO detectó con fiabilidad mutaciones somáticas únicamente en muestras tumorales, solucionando una importante limitación en el diagnóstico del cáncer, donde no se dispone de muestras de tejido normal o su obtención es poco práctica. Clair3-RNA logró una alta precisión en la identificación de pequeñas variantes directamente a partir de datos de secuenciación de ARN, teniendo en cuenta la edición y el ruido del ARN. Los hallazgos de ambas herramientas se publicaron en Nature Communications, lo que confirma su robustez tanto para aplicaciones clínicas como de investigación.

Estos avances amplían el uso práctico de la secuenciación de lectura larga en la medicina de precisión al reducir costos, simplificar los flujos de trabajo y mejorar la confiabilidad. ClairS-TO permite un acceso más amplio a la elaboración precisa de perfiles tumorales, mientras que Clair3-RNA permite el análisis simultáneo de la expresión génica y la variación genética a partir de un único conjunto de datos de ARN.

Los algoritmos forman parte de la serie Clair de código abierto, ampliamente adoptada a nivel mundial. Sus futuras aplicaciones incluyen un mejor diagnóstico del cáncer, la selección personalizada de tratamientos y un conocimiento más profundo de la biología del ARN y los mecanismos de las enfermedades.

“ClairS-TO y Clair3-RNA, junto con otros algoritmos de la serie Clair, han establecido una base sólida para el descubrimiento de mutaciones genéticas impulsado por el aprendizaje profundo y han acelerado la adopción de la medicina de precisión y la genómica clínica”, afirmó el profesor Ruibang Luo, investigador principal del estudio.

Enlaces relacionados:
La Universidad de Hong Kong