Otro hito más para la inteligencia artificial (IA). Cada vez más estudios confirman el potencial de esta tecnología, especialmente en el abordaje de enfermedades tan complejas como el cáncer, cuyo origen puede ser impreciso en numerosas ocasiones, complicando su diagnóstico y, por tanto, retrasando su abordaje. Gracias a la IA, este panorama está cambiando, ofreciendo mayor conocimiento de la enfermedad.
Esta vez han sido los científicos de Ludwig Cancer Research quienes han utilizado la inteligencia artificial para dar forma a un “poderoso modelo predictivo” que permite identificar las células inmunes capaces de acabar con el cáncer más potente, permitiendo su uso en inmunoterapias contra el cáncer.
"La implementación de la inteligencia artificial en la terapia celular es nueva y puede cambiar las reglas del juego, ofreciendo nuevas opciones clínicas a los pacientes"
Esta nueva herramienta se puede utilizar en tratamientos personalizados frente al cáncer “que adaptan la terapia a la composición celular única de los tumores de cada paciente”, así lo define el estudio publicado en la edición actual de la revista Nature Biotechnology. "La implementación de la inteligencia artificial en la terapia celular es nueva y puede cambiar las reglas del juego, ofreciendo nuevas opciones clínicas a los pacientes", explica Alexandre Harari de Ludwig Lausanne, quien dirigió el estudio con el estudiante graduado Rémy Pétremand.
La inmunoterapia consiste en extraer células inmunes del tumor de un paciente, modificarlas opcionalmente para mejorar su capacidad natural para combatir el cáncer y luego reintroducirlas en el cuerpo después de haberlas expandido en cultivo. Las células T son uno de los principales tipos de glóbulos blancos, o linfocitos, que circulan en la sangre y buscan células cancerosas o infectadas por virus.
Las células T que invaden tumores sólidos se llaman linfocitos infiltrantes de tumores o TIL. Sin embargo, no todas las TIL son eficaces para identificar y atacar las células tumorales. "En realidad, solo una fracción de ellas es reactiva al tumor; la mayoría son espectadores", señala Harari. "El reto que asumimos fue identificar los pocos TIL que tienen receptores de células T capaces de reconocer antígenos en el tumor”, añade.
Para lograr esto, Harari y su equipo desarrollaron un nuevo modelo predictivo basado en IA, llamado TRTpred, capaz de clasificar los receptores de células T (TCR) según su reactividad tumoral. Para desarrollar TRTpred, utilizaron 235 TCR recopilados de pacientes con melanoma metastásico, ya categorizados como reactivos o no reactivos al tumor. El equipo introdujo los perfiles globales de expresión genética (o transcriptómica) de las células T que portan cada TCR en un modelo de aprendizaje automático para identificar patrones que distinguen a las células T reactivas a tumores de sus contrapartes inactivas.
"TRTpred puede aprender de una población de células T y crear una regla que luego puede aplicarse a una nueva población", indica el investigador. "Entonces, cuando se enfrenta a un nuevo TCR, el modelo puede leer su perfil transcriptómico y predecir si es reactivo al tumor o no”, puntualiza.
El modelo TRTpred evaluó los linfocitos infiltrantes de tumores (TIL) de 42 pacientes con melanoma y cáncer gastrointestinal, de pulmón y de mama, logrando identificar los receptores de células T (TCR) reactivos a tumores con una precisión cercana al 90%. Los investigadores refinaron aún más su método de selección de TIL mediante un segundo filtro algorítmico, diseñado para identificar exclusivamente las células T que reaccionan a los tumores con alta avidez, es decir, aquellas que se adhieren firmemente a los antígenos tumorales.
Los investigadores mostraron que las células T señaladas por TRTpred y el algoritmo secundario como reactivas a tumores y de alta avidez, se encontraban más frecuentemente dentro de los tumores que en el tejido circundante, conocido como estroma. Este descubrimiento coincide con estudios previos que indican que las células T efectivas suelen penetrar profundamente en los tumores.
"Nuestro objetivo es aumentar las posibilidades de que los TIL ataquen la mayor cantidad de antígenos diferentes"
Posteriormente, el equipo implementó un tercer filtro para maximizar el reconocimiento de diversos antígenos tumorales. "Nuestro objetivo es aumentar las posibilidades de que los TIL ataquen la mayor cantidad de antígenos diferentes", sostiene Harari. Este último filtro clasifica los TCR en grupos basados en características físicas y químicas similares, planteando que los TCR de cada grupo reconocen el mismo antígeno. "Elegimos un TCR de cada grupo para amplificar, optimizando así las oportunidades de dirigirse a diferentes antígenos", matiza Vincent Zoete, científico que desarrolló los algoritmos de avidez y agrupamiento de TCR.
La combinación de TRTpred y estos filtros algorítmicos recibe el nombre de MixTRTpred. Para validar su método, el equipo de Harari cultivó tumores humanos en ratones, extrajo los TCR de sus TIL y usó MixTRTpred para identificar células T que reaccionaban a tumores, tenían alta avidez y se dirigían a múltiples antígenos tumorales. Posteriormente, modificaron las células T de los ratones para expresar estos TCR y demostraron que estas células podían eliminar tumores cuando se transfirieron nuevamente a los ratones.
"Este enfoque tiene el potencial de superar algunas de las limitaciones de la terapia basada en TIL actual, especialmente para aquellos pacientes con tumores que no responden a estas terapias", concluye George Coukos, director de Ludwig Lausanne y coautor del estudio, quien tiene planes de iniciar un ensayo clínico de fase I para probar esta tecnología en pacientes.