Utilizamos cookies para comprender de qué manera utiliza nuestro sitio y para mejorar su experiencia. Esto incluye personalizar el contenido y la publicidad. Para más información, Haga clic. Si continua usando nuestro sitio, consideraremos que acepta que utilicemos cookies. Política de cookies.

LabMedica

Deascargar La Aplicación Móvil
Noticias Recientes Expo COVID-19 Química Clínica Diagnóstico Molecular Hematología Inmunología Microbiología Patología Tecnología Industria Focus

CELLAVISION AB

Herramienta de IA ajusta con precisión los medicamentos contra el cáncer con los pacientes utilizando información de cada célula tumoral

Por el equipo editorial de LabMedica en español
Actualizado el 12 May 2024

Las estrategias actuales para emparejar a los pacientes con cáncer con tratamientos específicos a menudo dependen de la secuenciación masiva de ADN y ARN tumoral, que proporciona un perfil promedio de todas las células dentro de una muestra de tumor. Sin embargo, los tumores son heterogéneos y contienen múltiples subpoblaciones de células o clones, cada una de las cuales responde potencialmente de manera diferente a los tratamientos. Esta variabilidad puede explicar por qué algunos pacientes no responden a ciertos tratamientos o desarrollan resistencia. La secuenciación de ARN unicelular ofrece datos de mayor resolución que la secuenciación masiva, capturando datos a nivel unicelular. Este enfoque para identificar y apuntar a clones individuales puede conducir a respuestas farmacológicas más duraderas, aunque los datos de expresión genética unicelular son más costosos de generar y menos accesibles en entornos clínicos.

En un estudio de prueba de concepto, investigadores de los Institutos Nacionales de Salud (NIH, Bethesda, MD, EUA) han desarrollado una herramienta de inteligencia artificial (IA) que aprovecha datos de células tumorales individuales para predecir qué tan bien podría responder el cáncer de una persona. a un medicamento específico. Este estudio demuestra el potencial de la secuenciación de ARN unicelular para ayudar a los oncólogos a combinar terapias eficaces con sus pacientes. En el nuevo estudio, el equipo empleó una técnica de aprendizaje automático conocida como aprendizaje por transferencia para entrenar un modelo de IA utilizando datos de secuenciación de ARN en masa comunes, después de lo cual utilizaron datos de secuenciación de ARN unicelular para ajustar el modelo. Este método se aplicó a datos de líneas celulares existentes de ensayos integrales de respuesta a fármacos, lo que dio como resultado modelos de IA para 44 medicamentos contra el cáncer aprobados por la FDA que podrían predecir reacciones celulares tanto a medicamentos individuales como a combinaciones de medicamentos.


Imagen: Una micrografía de escaneo electrónico de color falso que muestra células de cáncer de pulmón cultivadas en cultivo (foto cortesía de Anne Weston)
Imagen: Una micrografía de escaneo electrónico de color falso que muestra células de cáncer de pulmón cultivadas en cultivo (foto cortesía de Anne Weston)

Otras pruebas incluyeron datos de 41 pacientes con mieloma múltiple tratados con cuatro medicamentos y 33 pacientes con cáncer de mama tratados con dos medicamentos. Los hallazgos revelaron que la resistencia en cualquier clon unicelular podría hacer que el tratamiento fuera ineficaz, incluso si otros clones respondieran. El modelo también predijo con éxito el desarrollo de resistencia en datos de 24 pacientes con cáncer de pulmón de células no pequeñas sometidos a terapias dirigidas. Los investigadores observaron que la precisión de este enfoque puede mejorar a medida que la secuenciación de ARN unicelular esté más disponible. Para facilitar un uso más amplio, los investigadores han creado un sitio web de investigación y una guía, denominada Planificación personalizada basada en expresiones unicelulares para tratamientos en oncología (PERCEPTION), para aplicar el modelo de IA a nuevos conjuntos de datos.

Enlaces relacionados:
NIH


New
Miembro Platino
Flu SARS-CoV-2 Combo Test
OSOM® Flu SARS-CoV-2 Combo Test
Magnetic Bead Separation Modules
MAG and HEATMAG
POCT Fluorescent Immunoassay Analyzer
FIA Go
New
Miembro Oro
Automatic ELISA Workstation
URANUS AE65

Últimas Inmunología noticias

El perfil molecular mejora el diagnóstico en niños con cánceres de alto riesgo

Prueba de sangre mide la respuesta inmunitaria al virus de Epstein-Barr en pacientes con esclerosis múltiple

Inteligencia artificial identifica células que destruyen tumores con alta precisión



LGC Clinical Diagnostics