Investigadores de la Facultad de Ingeniería e Informática de la Florida Atlantic University (Estados Unidos) han creado una herramienta multiclase de diagnóstico del cáncer mediante inteligencia artificial (IA).

Los microARN, o miARN, son una clase de pequeños ácidos ribonucleicos (ARN) no codificantes, esenciales para todas las funciones biológicas. El principal papel de los miARN en el cuerpo humano es la regulación génica.

Como tales, regulan diversos procesos biológicos y patológicos, entre ellos la formación y el desarrollo del cáncer. De hecho, muchos tipos de cáncer están estrechamente relacionados con la funcionalidad de los miARN.

La asociación de los miARN con el desarrollo del cáncer ha despertado el interés por investigar los datos de los perfiles de expresión de miARN como una herramienta de diagnóstico potencialmente menos invasiva para la detección precoz.

Se han utilizado metodologías de aprendizaje automático para desarrollar modelos de clasificación pancancerosa de alto rendimiento e identificar biomarcadores de miARN potencialmente novedosos para la investigación clínica. Sin embargo, es fundamental comprender cómo estas técnicas de ciencia de datos se correlacionan con procesos biológicos establecidos para avanzar en la integración en entornos clínicos.

Para explorar más a fondo la viabilidad de los miARN como biomarcadores para la clasificación del cáncer y la mejora de las aplicaciones de clasificación clínica, estos investigadores crearon un modelo de diagnóstico del cáncer multiclase utilizando perfiles de expresión de miARN. Su metodología utilizó un proceso iterativo que aplicó varias técnicas clave a un conjunto de datos de cuantificación de la expresión de miARN en continuo crecimiento.

Para el estudio, los investigadores evaluaron la relación entre las principales características de miARN seleccionadas por los modelos de aprendizaje automático y los biomarcadores de miARN verificados clínica y biológicamente.

Desarrollaron modelos de aprendizaje automático para la clasificación del cáncer y añadieron iterativamente clases de cáncer a los modelos multiclase. Observaron la relación entre los miARN relevantes identificados mediante la selección de características y las métricas de rendimiento de los modelos de clasificación a lo largo de 20 iteraciones. Cada iteración añadía otro sitio de muestra primario a los modelos multiclase, aumentando el número de tipos de cáncer implicados.

Los investigadores examinaron el cambio en las métricas de éxito a medida que se introducían más tipos de cáncer en el subconjunto, cómo cambiaba la firma de 20-miRNA a medida que se introducían más tipos de cáncer en el subconjunto, y las características del conjunto de datos completo mediante el análisis de componentes principales, una técnica popular para analizar grandes conjuntos de datos que contienen un elevado número de dimensiones o características.

A diferencia de estudios anteriores, que sólo se han centrado en las firmas de características de miARN para un conjunto de datos final multiclase, este estudio rastreó los cambios en la relevancia clínica y biológica tras cada adición de un tipo de tejido canceroso.

Los resultados del estudio, publicados en la revista científica ´IEEE Xplore´, indican que los modelos con un mayor número de clases de cáncer cambian para centrarse en miARNs cancerígenos de mayor relevancia con funcionalidad caracterizada.

El estudio sugiere que los miARN pueden ser muy exclusivos de tejidos cancerosos específicos y pueden ser biomarcadores potentes para la detección y clasificación; sin embargo, los biomarcadores verificados actuales se inclinan hacia miARN más cancerígenos a la hora de detectar el cáncer.

El estudio proporciona información sobre las posibles relaciones entre la relevancia clínica general de la firma de extracción de características y las métricas de éxito de los modelos y demuestra la viabilidad de utilizar una firma de miARN de cáncer multitejido como firma generalizable para la detección de cáncer de clase única en una serie de cánceres prominentes.

Los resultados mostraron que a medida que aumentaba el número de clases de cáncer, las métricas de rendimiento disminuían, aunque el porcentaje de relevancia de la firma de selección de características de miARN aumentó ligeramente antes de estabilizarse.

Además, tras realizar el análisis de componentes principales, los tejidos no cancerosos de todas las muestras presentaban visualizaciones de expresión muy similares, mientras que todos los tejidos cancerosos tenían perfiles únicos.