Los investigadores de la Universidad de Princeton están obteniendo nuevos conocimientos sobre las causas y características de las enfermedades al aprovechar el aprendizaje automático para analizar patrones moleculares en cientos de enfermedades simultáneamente. Al demostrar una nueva herramienta ahora disponible para investigadores de todo el mundo, el equipo de informáticos y biólogos ya ha descubiertoy confirmaron experimentalmente contribuciones previamente desconocidas de cuatro genes a una forma rara de cáncer que afecta principalmente a bebés y niños pequeños.
El equipo, que incluye colaboradores en la Universidad Estatal de Michigan y la Universidad de Oslo, presentó el sistema y demostró sus habilidades en un artículo publicado en la edición del 23 de febrero de la revista Sistemas celulares .
Si bien los enfoques anteriores se centraron en los genes asociados con enfermedades específicas o tipos de cáncer, la nueva técnica utiliza el aprendizaje automático para encontrar patrones únicos de actividad genética al observar más de 300 enfermedades diferentes simultáneamente, incluidos cánceres, enfermedades cardíacas, trastornos metabólicos y muchosotros. Al hacerlo, revela distinciones entre enfermedades y tipos de tejidos, incluidas las diferencias afinadas entre enfermedades relacionadas que no se pudieron discernir con otras técnicas.
Los investigadores creen que, con un mayor desarrollo, la herramienta será útil para los médicos en el diagnóstico de enfermedades, la adaptación y el seguimiento de la efectividad de las terapias y la búsqueda de nuevos enfoques de tratamiento.
El sistema, llamado Anotación de muestra de ARN para enfermedades humanas, o URSA HD, por sus siglas en inglés, incorpora información sobre la actividad de los genes de registros disponibles públicamente de aproximadamente 8,000 biopsias tomadas de tejidos sanos y enfermos de miles de pacientes. En adelante, investigadorespuede enviar nuevas muestras a la herramienta, a través de una interfaz web, y recibir un análisis de posibles asociaciones con enfermedades y tipos de tejidos.
"La verdadera innovación es comparar todas las muestras con cualquier otra muestra", dijo Chandra Theesfeld, uno de los investigadores principales junto con Young-Suk Lee, quien obtuvo su doctorado en Princeton en 2016.
Theesfeld comparó la idea con la capacidad de los humanos de reconocer diferencias matizadas entre comportamientos basados en haber visto una amplia variedad de ejemplos. Observar a los jugadores de fútbol, por ejemplo, podría revelar las características de una acción de patear, pero observar a los jugadores de fútbol y bailarines de ballet enAl mismo tiempo revela detalles y contexto para una acción similar con un estilo y un propósito muy diferentes.
"Estudiarlos juntos proporciona una manera de distinguir aspectos únicos", dijo Theesfeld, un científico investigador en el laboratorio de Olga Troyanskaya de Princeton y la Fundación Simons, quien dirigió el equipo. Ese punto de vista proporciona una manera imparcial "de aprender cosas nuevassobre la enfermedad que no es posible encontrar con el enfoque de una enfermedad a la vez, y potencialmente identificar nuevos objetivos para las terapias o incluso descubrir nuevos aspectos de la enfermedad que no fueron apreciados ".
Al hacer sus comparaciones, el algoritmo da más peso a las diferencias en la actividad génica que definen de forma única los distintos tejidos y enfermedades. Resalta la información sobre la actividad génica común a enfermedades relacionadas, muchas de las cuales ya están bien estudiadas.analogía de baile, es como dejar de lado la acción a gran escala de levantar una pierna con una patada y encontrar muchos detalles, como el ángulo de un pie, que en conjunto constituyen un conjunto característico de características que identifica de manera confiable una acción u otra.
"Nuestro método es impulsado por la información de la enfermedad en la muestra del paciente, por lo que no está sesgado hacia los genes de enfermedades populares que siempre se estudian", dijo Theesfeld. "Podemos rastrear patrones de cambios en los datos sin saber exactamente qué significa cada cambio"
Theesfeld señaló que el 90 por ciento de los estudios de genes observan solo el 10 por ciento de los genes humanos. URSA HD observa todo el genoma humano y crea un modelo o firma de todo el genoma para cada enfermedad.
Este enfoque podría ser particularmente poderoso para enfermedades raras, para las cuales los investigadores ahora pueden crear un modelo con solo unas pocas muestras. En el caso del neuroblastoma, el cáncer pediátrico, los investigadores encontraron cuatro genes que contribuyeron particularmente a la enfermedad y paraque no había información previa en la literatura científica. Para confirmar los hallazgos, Theesfeld realizó pruebas de laboratorio en células humanas, manipuló la actividad genética y observó sus efectos en los procesos relacionados con el cáncer en las células.
En lugar de mirar el ADN en sí, URSA HD mira el ARN, el producto que las células crean a medida que transcriben la información en el ADN en moléculas de trabajo que construyen y ejecutan células y transmiten señales de una célula a otra. De esta manera, elel sistema mira más allá de las mutaciones codificación en los genes mismos y en su lugar se enfoca en los productos de transcripción posteriores, que pueden desregularse de manera que causen problemas incluso si el gen original es normal.
La investigación es parte del trabajo de larga data en el laboratorio de Troyanskaya para integrar colecciones masivas de conjuntos de datos diferentes para extraer información necesaria para hacer predicciones biológicas precisas y dirigir experimentos de laboratorio para acelerar el descubrimiento. Una amplia gama de ciencia de datos en Princeton reúne informática y biologíaDesarrollar herramientas e ideas fundamentales con el potencial de tener un amplio impacto para la salud y la humanidad.
"Los enfoques interdisciplinarios que fusionan la ciencia de datos sofisticada con un profundo conocimiento de la biología son clave para descifrar los acertijos biomédicos necesarios para cumplir la promesa de la medicina de precisión", dijo Troyanskaya.
Fuente de la historia :
Materiales proporcionado por Universidad de Princeton, Escuela de Ingeniería . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cite esta página :