Big Data e IA se encontram com a pesquisa sobre o câncer

Nova abordagem aproveita inteligência artificial, aprendizado de máquina e big data para descobrir medicamentos multifuncionais

Muitos pacientes com câncer passam por tratamento com vários medicamentos, cada um dos quais ataca o câncer de uma maneira diferente, de modo que a combinação combate o câncer em várias frentes. Mas mais drogas significam maiores riscos de efeitos colaterais.

“A maioria das terapias contra o câncer é agora um tratamento combinado”, diz Avinash (Avi) Sahu, PhD, professor assistente do Comprehensive Cancer Center da Universidade do Novo México. Sahu ingressou na UNM vindo de Harvard e Dana-Farber Cancer Institute. “Queríamos encontrar drogas que pudessem suprimir duas vias causadoras de câncer ao mesmo tempo”.

Mas, em vez de passar horas em um laboratório, Sahu voltou-se para o computador.

Sahu e sua equipe de pesquisa criaram duas abordagens. O primeiro, chamado BiopotentR, usa dados genômicos disponíveis publicamente para encontrar drogas que podem atacar o câncer de várias maneiras e identificar os genes que as drogas têm como alvo. O segundo aplica métodos de aprendizado de máquina a essas informações para prever como as pessoas responderão à imunoterapia.

O aprendizado de máquina é semelhante à maneira como as pessoas aprendem. Assim como as pessoas aprendem coisas novas – como andar de bicicleta ou dirigir um carro – por meio de muita experiência, o aprendizado de máquina orientado por computador assimila grandes quantidades de dados e coleta padrões que podem ser aplicados a outras tarefas.

Mas os dados da pesquisa sobre o câncer por si só não foram suficientes para Sahu e sua equipe prever como as pessoas responderiam a uma droga. Eles precisavam de dados biológicos adicionais que pudessem aplicar a pacientes com câncer e respostas a medicamentos contra o câncer. Em termos de aprendizado de máquina, eles precisavam aprender com o contexto biológico e aplicar esse conhecimento a um contexto de câncer; é uma técnica chamada aprendizado de transferência.

Sahu e sua equipe fizeram parceria com uma empresa para encontrar um composto que visasse o principal candidato a gene do câncer que eles identificaram usando o BipotentR. Em testes pré-clínicos, eles confirmaram que suas previsões eram precisas.

Mas o trabalho pode ser ampliado, diz Sahu.

“Quando os tumores têm alvos de drogas multifuncionais hiperativos, os pacientes têm menos probabilidade de responder à imunoterapia”, diz ele. “No entanto, pacientes com esses tipos de tumores podem se beneficiar de uma combinação de imunoterapia e medicamentos multifuncionais”.

O trabalho da equipe não se limita apenas ao metabolismo e alvos imunológicos; ele pode ser adaptado para explorar quaisquer dois fatores para encontrar melhores medicamentos para múltiplas finalidades. Sahu diz que esta abordagem apresenta uma excelente oportunidade para novas pesquisas em uma variedade de projetos focados no câncer.

E a descoberta mais rápida de medicamentos significa medicina personalizada mais precisa.

Sobre Avinash Sahu, PhD

Avinash Sahu, PhD, é professor assistente na Escola de Medicina da Universidade do Novo México, no Departamento de Medicina Interna, Divisão de Informática Translacional. Ele ingressou no corpo docente da UNM em janeiro de 2023. O Dr. Sahu possui doutorado pela Universidade de Maryland. Sua pesquisa concentra-se em aplicações de aprendizado de máquina e aprendizado profundo para melhorar a compreensão e o tratamento do câncer.

Referência de papel

“Descoberta de alvos para drogas antitumorais imunometabólicas identifica Estrogen Related Receptor Alpha” foi publicado online em 27 de janeiro de 2023, no Cancer Discovery (https://aacrjournals.org/cancerdiscovery). Os autores são: Avinash D. Sahu, Xiaoman Wang, Phillip Munson, Jan Klomp, Xiaoqing Wang, Shengqing Gu, Gege Qian, Phillip Nicol, Zexian Zeng, Chenfei Wang, Collin Tokheim, Wubing Zhang, Jingxin Fu, Jin Wang, Nishanth U. Nair, Joost Rens, Meriem Bourajjaj, Bas Jansen, Inge Leenders, Jaap Lemmers, Mark Musters, Sanne van Zanten, Laura van Zelst, Jenny Worthington, Myles Brown, Jun S. Liu, Dejan Juric, Cliff A. Meyer, Arthur Oubrie, X. Shirley Liu, David E. Fisher, Keith T. Flaherty.