Un panel de investigadores españoles ha desarrollado una Inteligencia Artificial (IA) que puede diferenciar las células cancerosas de las normales, así como detectar las primeras fases de la infección viral en el interior de las células. En concreto, pertenecen al Centro de Regulación Genómica (CRG), la Universidad del País Vasco (UPV/EHU), el Donostia International Physics Center (DIPC) y la Fundación Biofisica Bizkaia (FBB, ubicada en el Instituto Biofisika). Estos hallazgos, publicados en la revista Nature Machine Intelligence, abren la puerta a mejores técnicas diagnósticas y a nuevas estrategias de seguimiento.
La herramienta, AINU (AI of the NUcleus), se encarga de escanear imágenes de células en alta resolución. Éstas se recopilan a través de una técnica de microscopía especial llamada STORM, que crea una imagen que captura muchos más detalles de los que pueden ver los microscopios convencionales. Las instantáneas de alta definición revelan estructuras con una resolución a escala nanométrica. “Podemos reconocer células cancerígenas de forma muy precoz y con mayor eficiencia. Pasa lo mismo con una célula infectada por un virus como el del herpes”, señala en una entrevista a GM la profesora de investigación ICREA Pia Cosma, coautora del estudio e investigadora del CRG de Barcelona.
Un avance para el control de las patologías y la personalización de los tratamientos
Para llegar a estos resultados, Cosma sostiene que han estado investigando en ello desde hace aproximadamente tres o cuatro años. De hecho, son fruto de la curiosidad inherente a la profesión científica, sostiene. “Llevamos usando este tipo de microscopia desde hace más de 10 años, es muy potente y gracias a ella hemos hecho muchos descubrimientos en el laboratorio”, corrobora. “Pensamos que era interesante probar con un algoritmo de IA porque nadie había entrenado uno con este tipo de imágenes”. Gracias a esta tecnología señala que han llegado a hallazgos como la identificación de una nueva estructura del ADN, de la cromatina. “La hemos utilizado para estudiar la estructura tridimensional de la cromatina, para conoce cómo se organiza en el núcleo, qué tipo de estructura puede conformar y cómo esto está relacionado con el funcionamiento de los genes”.
“Algún día esta información permitirá a los médicos ganar un tiempo valioso para controlar las enfermedades y personalizar los tratamientos”
Pia Cosma, coautora del estudio e investigadora del CRG de Barcelona.
Entre algunas de las ventajas de AINU, Cosma destaca la alta resolución, la poca cantidad de imágenes necesitadas y la posibilidad de hacer un diagnóstico de un tumor liquido directamente desde la sangre. “La resolución de estas imágenes es lo suficientemente potente como para que nuestra IA reconozca patrones específicos y diferencias con una precisión notable, incluidos los cambios en la forma en que se organiza el ADN dentro de las células, lo que ayuda a detectar alteraciones muy pronto después de que se produzcan”, afirma la profesora de investigación ICREA. “Creemos que, algún día, este tipo de información permitirá a los médicos ganar un tiempo valioso para controlar las enfermedades, personalizar los tratamientos y mejorar los resultados de los pacientes“.
“Reconocimiento facial” a nivel molecular
AINU es una red neuronal convolucional, un tipo de IA diseñada específicamente para analizar datos visuales como imágenes. Entre los ejemplos de este tipo de redes se incluyen herramientas de IA que permiten a los usuarios desbloquear teléfonos inteligentes con su cara u otras que utilizan los automóviles autónomos para comprender y navegar por entornos mediante el reconocimiento de objetos en la carretera.
En medicina, éstas se utilizan para analizar mamografías o tomografías computarizadas e identificar signos de cáncer que el ojo humano podría pasar por alto. También ayudan a los médicos a detectar anomalías en imágenes por resonancia magnética o radiografías, lo que permite realizar un diagnóstico más rápido y preciso.
Así, AINU detecta y analiza estructuras diminutas dentro de las células a nivel molecular. Los investigadores entrenaron el modelo alimentándolo con imágenes a nanoescala del núcleo de muchos tipos diferentes de células en diferentes estados. De esta forma, el modelo aprendió a reconocer patrones específicos en las células analizando cómo se distribuyen y organizan los componentes nucleares en el espacio tridimensional.
Clasificación de células y detección de cambios
Las células cancerosas presentan cambios distintivos en su estructura nuclear en comparación con las células normales, como alteraciones en la organización de su ADN o en la distribución de enzimas dentro del núcleo. Después del entrenamiento, AINU podría analizar nuevas imágenes de núcleos celulares y clasificarlas como cancerosas o normales basándose únicamente en estas características.
“A la hora podemos observar un cambio leve en el centro de la cromatina gracias al algoritmo”
Pia Cosma, coautora del estudio e investigadora del CRG de Barcelona.
La resolución nanométrica de las imágenes permitió a la IA detectar cambios en el núcleo de una célula apenas una hora después de que fuera infectada por el virus del herpes simple tipo 1. “Después de una infección, a la hora, podemos observar un cambio leve en el centro de la cromatina gracias al algoritmo”, garantiza Cosma. El modelo pudo detectar la presencia del virus al encontrar ligeras diferencias en la densidad con la que está empaquetado el ADN, lo que ocurre cuando un virus comienza a alterar la estructura del núcleo de la célula.
Sentando las bases para la preparación clínica
Entre algunas de las importantes limitaciones que deben superar los investigadores antes de que la tecnología esté lista para ser probada o implementada en un entorno clínico destacan algunas ligadas a las imágenes de STORM. Éstas solo se pueden tomar con equipos especializados que normalmente solo se encuentran en laboratorios de investigación biomédica. Además, tanto la instalación como el mantenimiento de los sistemas de imágenes que requiere la IA es una inversión significativa tanto en equipos como en experiencia técnica.
Otro de los obstáculos asociados a estas imágenes es que suelen analizar solo unas pocas células a la vez. Para fines de diagnóstico, especialmente en entornos clínicos donde la velocidad y la eficiencia son cruciales, los médicos necesitarían capturar muchas más células en una sola imagen para poder detectar o monitorear una enfermedad.
“En unos años este tipo de microscopios podrán ser usados en cualquier laboratorio o centro hospitalario y de ahí se podrá ampliar el uso de esta técnica a otros ámbitos”
Pia Cosma, coautora del estudio e investigadora del CRG de Barcelona.
Pese a que, de momento, no todos los laboratorios disponen de este microscopio de superresolución ni los hospitales, Cosma asegura que las compañías se están involucrando en disponer de otros más sencillos de utilizar. “En unos años este tipo de microscopios podrán ser usados en cualquier laboratorio o centro hospitalario y de ahí se podrá ampliar el uso de esta técnica a otros ámbitos”, subraya. “La preparación de la muestra es muy sencilla, la adquisición de la imagen es más compleja, pero la tecnología está avanzando muy rápidamente”, asegura.
“Hay muchos avances rápidos en el campo de la obtención de imágenes con STORM, lo que significa que pronto los microscopios podrán estar disponibles en laboratorios más pequeños o menos especializados y, con el tiempo, incluso en el ámbito clínico. Las limitaciones de accesibilidad y rendimiento son problemas más manejables de lo que pensábamos anteriormente y esperamos realizar experimentos preclínicos pronto”, afirma Cosma.
Precisión alta para identificar células madre
Aunque los beneficios clínicos podrían tardar años en aparecer, se espera que la AINU acelere la investigación científica a corto plazo. Los investigadores descubrieron que la tecnología podría identificar células madre con una precisión muy alta, algo especialmente relevante teniendo en cuenta que se estudian por su potencial para ayudar a reparar o reemplazar tejidos dañados.
De esta forma, AINU es capaz de acelerar y hacer más preciso el proceso de detección de células pluripotentes, lo que contribuirá a que las terapias con células madre sean más seguras y eficaces. “Los métodos actuales para detectar células madre de alta calidad se basan en pruebas con animales”, afirma Davide Carnevali, primer autor del estudio e investigador del CRG. Sin embargo, “todo lo que nuestro modelo de IA necesita para funcionar es una muestra teñida con marcadores específicos que resalten las características nucleares clave”, asevera. Además de ser más fácil y rápido, hace hincapié en que también “puede acelerar la investigación con células madre y, al mismo tiempo, contribuir al cambio en la reducción del uso de animales en la ciencia”.
Investigar su aplicación en otros virus
En lo que respecta a cuál cree que será el impacto tanto sobre los tumores como sobre este tipo de infecciones víricas, Cosma relata que esperan, en un futuro, porque todavía no lo han valorado, poder detectar ambas situaciones de forma extremadamente precoz porque tiene una sensibilidad muy alta. En el segundo de los casos, informa que solo han probado con el virus del herpes, “no hemos probado con otro, pero ya hay una prueba de concepto”. Motivo de ello, confirma que los siguientes pasos radican en corroborar si se puede aplicar a otro tipo de virus para bloquear una posible infección viral.
Profundizando en si se pretende extrapolar estos hallazgos a otras patologías, la investigadora afirma que “de momento” están enfocados en cáncer de tipo líquido. “Cualquier cosa que se pueda identificar a través de pequeños cambios en la cromatina, como el tratamiento con un fármaco, se podría intentar identificar a través de este sistema”, confirma.
Identificar el efecto del tratamiento de un fármaco a través de la cromatina, entre los retos
Indagando en el futuro de la IA en el diagnóstico precoz de patologías y de AINU, la investigadora del CRG alega que ésta última tiene la ventaja de llegar más allá que la tecnología actual, dado que pueden observar cosas extremadamente pequeñas y entrenar al algoritmo con muy poca célula.
