Un equipo interdisciplinario de la Universidad de Buenos Aires, el CONICET y el Hospital del Bicentenario de Esteban Echeverría (HBEE) está desarrollando un proyecto basado en inteligencia artificial, orientado al diagnóstico y pronóstico de distintos tipos de cáncer, en particular glioblastoma, adenocarcinoma ductal de páncreas y leucemias mieloides. Estas patologías comparten características como su alta agresividad, el diagnóstico tardío, la escasez de alternativas terapéuticas y la ausencia de métodos simples para predecir la refractariedad al tratamiento de primera línea, lo que las convierte en grandes desafíos clínicos en oncología.
El equipo está conformado por los doctores Silvina Lompardía y Matías Pibuel, docentes de Inmunología de la Facultad de Farmacia y Bioquímica de la Universidad de Buenos Aires e investigadores del Instituto de Estudios de la Inmunidad Humoral Prof. Ricardo A. Margni (IDEHU-UBA-CONICET); la doctora Daniela Papademetrio, también docente de Inmunología e investigadora del Centro de Investigaciones en Biomedicina Traslacional (CIBiMeT-CONICET); el doctor Martín Ledesma, investigador bioinformático de la Unidad de Conocimiento Traslacional (UCT-HBEE); becarios, pasantes y numerosos profesionales de la salud del HBEE pertenecientes a servicios como Neurocirugía, Hematología, Imágenes, Oncología y Laboratorio Central.
El equipo trabaja en el desarrollo de herramientas bioinformáticas que permitan detectar de manera temprana tanto los tumores como la resistencia a los tratamientos convencionales.
Este equipo trabaja en el desarrollo de herramientas bioinformáticas que permitan detectar de manera temprana tanto los tumores como la resistencia a los tratamientos convencionales. Actualmente, la respuesta a la quimioterapia se evalúa empíricamente, lo que significa que los pacientes refractarios son expuestos a los efectos secundarios de las drogas sin obtener beneficios clínicos. Por eso, contar con herramientas que predigan la resistencia permitiría evitar el deterioro de su calidad de vida y, además, iniciar terapias alternativas desde el comienzo, mejorando significativamente el abordaje clínico.
Mediante modelos de inteligencia artificial aplicados al análisis de imágenes de resonancia magnética y perfiles moleculares en sangre, suero, médula ósea, tejido tumoral y líquido cefalorraquídeo, el grupo se encuentra identificando biomarcadores candidatos tanto para la detección precoz de tumores como para anticipar la eficacia del tratamiento.
Mediante modelos de inteligencia artificial el grupo se encuentra identificando biomarcadores candidatos tanto para la detección precoz de tumores como para anticipar la eficacia del tratamiento.
Este desarrollo tiene sus orígenes en investigaciones previas del grupo sobre la 4-metilumbeliferona (4MU), un compuesto de administración oral, bajo costo y sin efectos adversos reportados, aprobado en Europa y Asia como agente colerético para uso en humanos. Esta droga representa un prometedor candidato para su reposicionamiento con fines oncológicos. El equipo demostró que la 4MU no solo tiene efectos antitumorales por sí sola, sino que también sensibiliza a modelos de glioblastoma y leucemia mieloide al tratamiento con quimioterapia. Para investigar su mecanismo de acción, se realizaron estudios de metabolómica, proteómica y peptidómica. En este contexto, el equipo evidenció, mediante espectrometría de masas (MALDI-TOF-MS), que es posible discriminar entre células sensibles y resistentes a la quimioterapia. A su vez, gracias al análisis bioinformático, lograron identificar biomarcadores asociados a la resistencia.
Estos resultados fueron el puntapié inicial para establecer colaboraciones con hospitales nacionales como el HBEE, el Hospital Cuenca Alta Néstor Kirchner (HCANK) y el Hospital de Pediatría “Prof. Dr. Juan P. Garrahan”, con el objetivo de validar los hallazgos en muestras de pacientes, trasladar el conocimiento a la práctica clínica y entrenar sistemas de inteligencia artificial que permitan predecir la refractariedad, así como desarrollar kits diagnósticos aplicables en entornos clínicos.
El trabajo constituye un ejemplo claro del compromiso de nuestra Facultad con la investigación de calidad, el desarrollo tecnológico y el bienestar social.
Cabe destacar que la reciente inauguración del Laboratorio de Inteligencia Artificial en nuestra Facultad, el pasado 25 de abril, potenciará significativamente la ejecución de este proyecto, facilitando el desarrollo de los softwares de análisis necesarios.
Este trabajo resalta el valor de la ciencia básica como motor de innovación con aplicaciones clínicas y muestra cómo, desde el ámbito académico, es posible contribuir a resolver problemáticas críticas de la salud pública. Un ejemplo claro del compromiso de nuestra Facultad con la investigación de calidad, el desarrollo tecnológico y el bienestar social.
Glosario
Inteligencia Artificial (IA): conjunto de técnicas que permiten a las computadoras “aprender” a partir de datos para identificar patrones, tomar decisiones o hacer predicciones. En este proyecto, se utiliza para analizar imágenes médicas y perfiles moleculares y así mejorar el diagnóstico y pronóstico del cáncer.
Biomarcador: molécula o característica biológica que puede medirse en muestras como sangre o tejidos. Los biomarcadores permiten detectar enfermedades, predecir su evolución o saber si un tratamiento será efectivo.
Refractariedad (a la quimioterapia): se refiere a la falta de respuesta de un paciente al tratamiento. En otras palabras, cuando una terapia como la quimioterapia no logra frenar el crecimiento del cáncer.
Perfiles moleculares: conjunto de características biológicas que describen el estado de una célula o tejido, incluyendo la expresión de genes, proteínas, metabolitos, entre otros. Su análisis permite obtener información precisa sobre la enfermedad y su posible evolución o respuesta al tratamiento.
Referencia biliográfica
Ledesma, M., Poodts, D., Amoia, S., Hajos, S., Fundia, A., Vay, C., Pibuel, M., Lompardía, S. (2023). Discrimination of the chemotherapy resistance status of human leukemia and glioblastoma cell lines by MALDI-TOF-MS profiling. Sci Rep., Apr 5;13(1):5596. doi: 10.1038/s41598-023-32608-2.
Spanish