Ícono del sitio La Neta Neta

La convergencia de las redes neuronales profundas y la inmunoterapia

La convergencia de las redes neuronales profundas y la inmunoterapia

luis voloch es el CTO y co-fundador de Immunai. Anteriormente, fue jefe de ciencia de datos de Israel Tech Challenge, trabajó en diversos esfuerzos de aprendizaje automático en Palantir y dirigió las iniciativas de aprendizaje automático para el modelado ML de datos de ADN en MyHeritage.

¿Qué tienen en común las redes neuronales profundas y la inmunoterapia contra el cáncer?

Si bien ambos se encuentran entre las áreas de mayor transformación de la ciencia moderna, hace 30 años, la comunidad científica casi ridiculizaba estos campos. Como resultado, el progreso en cada uno ocurrió al margen de la academia durante décadas.

Entre las décadas de 1970 y 1990, algunos de los científicos informáticos más destacados, incluido Marvin Minsky, en su libro “Perceptrones”, argumentaron que las redes neuronales (la columna vertebral de la IA más moderna) nunca funcionarían para la mayoría de las aplicaciones. Expuso fallas en las primeras concepciones de las redes neuronales y argumentó que todo el enfoque era ineficaz.

Mientras tanto, desde la década de 1980 hasta la de 2000, los pioneros y creyentes de las redes neuronales (Geoffrey Hinton, Yoshua Bengio y Yann LeCun) continuaron con sus esfuerzos y siguieron su intuición de que las redes neuronales tendrían éxito. Estos investigadores encontraron que la mayoría de las ideas originales eran correctas, pero simplemente necesitaban más datos (piense en ImageNET), poder computacional y más ajustes de modelado para ser efectivos.

Hinton, Bengio y LeCun recibieron el Premio Turing en 2018 (el equivalente informático de un premio Nobel) por su trabajo. Hoy, sus revelaciones han hecho de las redes neuronales el área más vibrante de la informática y han revolucionado campos como la visión artificial y el procesamiento del lenguaje natural.

La inmunología del cáncer enfrentó obstáculos similares. El tratamiento con la citocina IL-2, uno de los primeros fármacos inmunomoduladores, no cumplió con las expectativas. Estos resultados retrasaron la investigación adicional y, durante décadas, muchos biólogos del cáncer no tomaron en serio la inmunología del cáncer. Sin embargo, con el esfuerzo y la intuición de algunos, décadas después se descubrió que el concepto de estimular el sistema inmunológico para combatir el cáncer tenía validez objetiva. Resultó que solo necesitábamos mejores objetivos y combinaciones de medicamentos y, finalmente, los investigadores demostraron que el sistema inmunitario es la mejor herramienta en nuestra lucha contra el cáncer.

James P. Allison y Tasuku Honjoquienes fueron pioneros en la clase de medicamentos de inmunoterapia contra el cáncer conocidos como inhibidores de puntos de control, recibieron el Premio Nobel en 2018.

Aunque ampliamente aceptado ahora, tomó décadas para que el establecimiento científico aceptara estos enfoques novedosos como válidos.

El aprendizaje automático y la inmunoterapia tienen más en común que similitudes históricas. La belleza de la inmunoterapia es que aprovecha la versatilidad y flexibilidad del sistema inmunitario para combatir diferentes tipos de cáncer. Si bien las primeras inmunoterapias mostraron resultados en algunos tipos de cáncer, luego se demostró que funcionaban en muchos otros tipos de cáncer. AI, de manera similar, utiliza herramientas flexibles para resolver una amplia gama de problemas en todas las aplicaciones a través de la transferencia y el aprendizaje de tareas múltiples. Estos procesos son posibles gracias al acceso a datos a gran escala.

Aquí hay algo para recordar: el resurgimiento de las redes neuronales comenzó en 2012 después de la arquitectura AlexNet demostró una precisión del 84,7 % en la competencia ImageNET. Este nivel de rendimiento fue revolucionario en ese momento, ya que el segundo mejor modelo logró una precisión del 73,8 %. El conjunto de datos de ImageNET, iniciado por Fei-Fei Li, es sólido, está bien etiquetado y es de alta calidad. Como resultado, ha sido parte integral de hasta qué punto las redes neuronales han llevado la visión por computadora en la actualidad.

Curiosamente, desarrollos similares están ocurriendo ahora en biología. Las empresas y laboratorios de ciencias de la vida están construyendo conjuntos de datos a gran escala con decenas de millones de células inmunes etiquetadas de manera consistente para garantizar la validez de los datos subyacentes. Estos conjuntos de datos son los análogos de ImageNET en biología.

Ya estamos viendo estos grandes conjuntos de datos de alta calidad que dan lugar a la experimentación a una velocidad y escala que antes era imposible. Por ejemplo, El aprendizaje automático se está utilizando para identificar tipos de células inmunitarias en diferentes partes del cuerpo y su implicación en diversas enfermedades. Después de identificar patrones, los algoritmos pueden “mapear” o predecir diferentes trayectorias inmunológicas, que luego pueden usarse para interpretar, por ejemplo, por qué algunas inmunoterapias contra el cáncer funcionan en tipos de cáncer particulares y otras no. Los conjuntos de datos actúan como Google Maps del sistema inmunológico.

El mapeo de patrones de genes, proteínas e interacciones celulares en enfermedades permite a los investigadores comprender las vías moleculares como los componentes básicos de la enfermedad. La presencia o ausencia de un bloqueo funcional ayuda a interpretar por qué algunas inmunoterapias contra el cáncer funcionan en tipos de cáncer particulares pero no en otros.

El mapeo de vías de genes y proteínas a través de enfermedades y fenotipos permite a los investigadores aprender cómo trabajan juntos para activar vías específicas y combatir múltiples enfermedades. Los genes pueden ser parte de numerosas vías y pueden hacer que distintos tipos de células se comporten de manera diferente.

Además, diferentes tipos de células pueden compartir actividades genéticas similares, y se pueden encontrar las mismas vías funcionales en varios trastornos relacionados con el sistema inmunitario. Esto justifica la creación de modelos de aprendizaje automático que se desempeñen de manera efectiva en tareas específicas y se transfieran a otras tareas.

Transferir el aprendizaje funciona en modelos de aprendizaje profundo, por ejemplo, tomando patrones simples (en imágenes, piense en líneas y curvas simples) aprendidos por las primeras capas de una red neuronal y aprovechando esas capas para diferentes problemas. En biología, esto nos permite transferir conocimientos sobre cómo genes y vías específicos en una enfermedad o tipo de célula juegan un papel en otros contextos.

La investigación de IA que aborda los efectos de los cambios genéticos (perturbaciones) en las células inmunitarias y su impacto en las células y los posibles tratamientos es cada vez más común en la inmunología del cáncer. Este tipo de investigación nos permitirá comprender estas células más rápidamente y conducir a mejores medicamentos y tratamientos.

Con datos a gran escala que alimentan más investigaciones en inmunoterapia e IA, confiamos en que pronto aparecerán medicamentos más efectivos para combatir el cáncer, lo que da esperanza a la más de 18 millones de personas a las que se les diagnostica cáncer todos los años.


Source link
Salir de la versión móvil