Celula cancerosa hecha en software 3d

Los científicos de la Universidad Johns Hopkins han desarrollado una nueva estrategia computacional que cambia los datos extremadamente complejos en una disposición reorganizada que acentúa la variedad persistente a la comprensión en las marcas subatómicas de las células tumorales. Esta nueva estrategia podría mejorar la información biomolecular compleja sobre los tumores, en un nivel fundamental.

Los científicos en realidad querían introducir esta metodología para prescribir el tratamiento apropiado para un paciente específico.

Donald Geman, profesor del Departamento de Matemática Aplicada y Estadística, autor principal del estudio, dijo: “Una de las cosas que las personas en este campo han notado en los últimos 10 años, y de hecho, ha sido sorprendente”. es cuánta heterogeneidad hay incluso entre dos pacientes con el mismo subtipo de cáncer. Con eso, quiero decir que en dos pacientes a los que se les diagnosticó melanoma, las lesiones cutáneas pueden parecer bastante similares a simple vista, pero las células cancerosas pueden ser muy diferentes a nivel molecular. Pueden tener diferentes formas de desregulación, incluidas diferentes variantes genéticas y diferentes perfiles de expresión genética “.

Saber todo lo que cabría esperar sobre los cosméticos hereditarios y las vías orgánicas obstaculizadas de un paciente específico podría permitirles a los médicos establecer opciones más educadas sobre el pronóstico y el tratamiento, cambiándolos al perfil subatómico específico.

Geman dijo, “Quieren saber si están buscando el perfil de una mujer que probablemente responderá o no a un medicamento en particular. ¿O los datos indican que el paciente probablemente recaerá dentro de los próximos cinco años? ¿O tiene un hombre un tipo particularmente agresivo de cáncer de próstata? ¿O es necesario extirpar quirúrgicamente los ganglios linfáticos para determinar la presencia o ausencia de metástasis en un paciente con algún tipo de cáncer de cabeza y cuello?

Los científicos imaginaron los resúmenes de análisis de sangre que se producen comúnmente cuando un paciente visita a un médico para un examen físico anual con el fin de proporcionar respuestas a las preguntas. En su mayor parte, informan si la glucosa, el colesterol y los diferentes resultados están dentro o fuera de niveles sólidos.

Tomando un signo de estas pruebas, los científicos descubrieron cómo simplificar enormemente la información sobre decenas de miles de estados moleculares convirtiendo estos datos en etiquetas binarias, que indican si una medición se encuentra dentro o más allá de los niveles saludables.

Geman, quien anteriormente dedicó muchos años a mejorar la tecnología de visión por computadora, es alentado por el proyecto relacionado con el cáncer y espera que sirva de modelo para otras colaboraciones fructíferas que involucran matemática avanzada y medicina.

“El objetivo”, dijo, “es tomar problemas de clasificación de interés clínico genuino y producir un algoritmo que sea preciso, interpretable y tenga sentido biológicamente”.

Co-autores principales del artículo PNAS fueron Wikum Dinalankara, un compañero de oncología en el Johns Hopkins Kimmel Cancer Center y la Facultad de Medicina de la Universidad Johns Hopkins; y el estudiante graduado Qian Ke del Departamento de Matemática Aplicada y Estadística en la Escuela de Ingeniería Whiting de la universidad. Los coautores de estos dos departamentos fueron Yiran Xu, Lanlan Ji, Nicole Pagane, Anching Lien, Tejasvi Matam, Elana J. Fertig, Laurent Younes y Luigi Marchionni. Otro coautor, Nathan D. Price, era del Instituto de Biología de Sistemas en Seattle.