PDF Basket
Las mutaciones que ocurren dentro de células sanas pueden ocasionar el desarrollo de tumores. Aunque los factores hereditarios desempeñan un papel, algunas mutaciones están causadas por factores ambientales, como la luz ultravioleta que afecta a las células cutáneas o los carcinógenos del tabaco. Las mutaciones también aparecen de forma aleatoria cuando nuestras células se dividen, un proceso biológico fundamental que nos permite crear y rellenar tejidos.
«La mayoría de las mutaciones no modifican la función de la célula», explica Nuria Lopez-Bigas, coordinadora del proyecto NONCODRIVERS y profesora de investigación en el Instituto de Investigación Biomédica (España). «Estas últimas se denominan “mutaciones secundarias”».
Sin embargo, algunas mutaciones pueden darle a una célula cancerosa la oportunidad de proliferar. Una célula con varias de estas mutaciones «iniciadoras» puede alcanzar un punto en el que la proliferación no controlada conlleve la formación de un tumor. Un método eficaz para identificar estas mutaciones iniciadoras podría permitir el desarrollo de nuevos tratamientos que se dirijan directamente a estas células protocancerosas.
Interpretación de los datos genéticos
La secuenciación del genoma permite a los investigadores identificar todas las mutaciones de una muestra tumoral, cuya cifra puede alcanzar los cuatro dígitos. Aun así, la mayoría de estas mutaciones no tienen nada que ver con el desarrollo del cáncer.
«Para lograr tratamientos eficaces, sentimos que era necesario mejorar la etapa de interpretación», explica Lopez-Bigas. «Debíamos ser capaces de determinar qué mutaciones eran mutaciones cancerosas».
A fin de colmar esta brecha, se recopilaron los datos de la secuenciación genética de más de 28 000 tumores del mundo entero. El proyecto NONCODRIVERS, financiado con fondos europeos y respaldado por el Consejo Europeo de Investigación, innovó al usar la inteligencia artificial para dirigir el análisis de estos datos.
«Ya existen muchos datos sobre los tumores humanos», añade. «Queríamos ver si el aprendizaje automático podría aplicarse a estos datos para ayudarnos a diferenciar mejor entre mutaciones iniciadoras y mutaciones secundarias».
Al usar un «software» de aprendizaje automático entrenado con genes cancerosos, el equipo creó un modelo capaz de clasificar todas las variantes posibles de genes cancerosos como mutaciones iniciadoras o secundarias. Lopez-Bigas y su equipo han podido, hasta la fecha, desarrollar mapas de las mutaciones iniciadoras de ochenta y cuatro genes cancerosos.
Hacia tratamientos personalizados
Saber dónde se encuentran las mutaciones iniciadoras de un tipo de cáncer específico podría aportar grandes beneficios a los pacientes. En lugar de administrar un ciclo genérico de quimioterapia, que podría destruir las células que no guardan ninguna relación con el desarrollo del cáncer, se podrán administrar fármacos más personalizados dirigidos contra las mutaciones iniciadoras. «Arreglamos lo que no funciona», explica Lopez-Bigas.
Los resultados del proyecto ya se están aplicando en contextos clínicos. Tanto investigadores como profesionales médicos pueden descargarse y utilizar la herramienta Cancer Genome Interpreter del proyecto, disponible de forma gratuita en línea, para ayudarles a identificar posibles biomarcadores de cánceres específicos. Los usuarios introducen el tipo de cáncer, así como otra información más específica y personalizada, a fin de recibir datos sobre las respuestas a los fármacos previstas.
«El mayor logro hasta la fecha ha sido el éxito en la demostración de esta tecnología», señala la coordinadora. «Hemos demostrado que si tenemos datos suficientes, podemos construir modelos informáticos informativos. Ahora lo que necesitamos son más datos, a fin de poder generar más modelos para otros genes cancerosos y tipos de cáncer. Cuantos más datos tengamos, más lejos podremos ir».
Lopez-Bigas también reconoce la necesidad de seguir personalizando la herramienta, por lo que la próxima etapa fundamental es la recopilación de más datos. «Aquellas mutaciones que reconocemos como iniciadoras para, por ejemplo, el cáncer de pulmón, pueden no ser las mutaciones iniciadoras de un paciente concreto», explica. «Asimismo, otros elementos también cuentan: la edad del paciente, si fuma o si existen otras mutaciones en la célula».
Por lo tanto, un contexto más amplio podría aportar una mayor precisión a la herramienta. Sin embargo, con la inclusión de más datos, los modelos serán cada vez más complejos. «El proyecto NONCODRIVERS es como estar en una excursión por la montaña», concluye Lopez-Bigas. «Vemos la cima, pero sigue estando muy lejos. Todavía estamos al principio del camino».