La convergencia de las redes neuronales profundas y la inmunoterapia – TechCrunch

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

Si bien ambos se encuentran entre las áreas más transformadoras de la ciencia moderna, hace 30 años, estos campos fueron ridiculizados por la comunidad científica. Como resultado, el progreso en cada uno ocurrió al margen de la academia durante décadas.


Recomendado: ¿Qué es el Big data?.


Entre las décadas de 1970 y 1990, algunos de los científicos informáticos más destacados, incluido Marvin Minsky, en su libro «Perceptrons», 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, durante la década de 1980 hasta la de 2000, los pioneros y creyentes de las redes neuronales, Geoffrey Hinton, Yoshua Bengio y Yann LeCun, continuaron sus esfuerzos y persiguieron 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 efectivas.

Hinton, Bengio y LeCun recibieron el premio Turing en 2018 (el equivalente en informática 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 por computadora y el procesamiento del lenguaje natural.

La inmunología del cáncer se enfrentó a obstáculos similares. El tratamiento con 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 se tomaron en serio la inmunología del cáncer. Sin embargo, con el esfuerzo y la intuición de algunos, décadas más tarde se descubrió que el concepto de estimular el sistema inmunológico para combatir el cáncer tenía validez objetiva. Resultó que solo necesitábamos mejores dianas y combinaciones de fármacos y, finalmente, los investigadores demostraron que el sistema inmunológico es la mejor herramienta en nuestra lucha contra el cáncer.

James P. Allison y Tasuku Honjo, quienes 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 ahora es ampliamente aceptado, el establecimiento científico tardó décadas en aceptar estos nuevos enfoques 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 inmunológico para combatir diferentes tipos de cánceres. Si bien las primeras inmunoterapias mostraron resultados en algunos cánceres, más tarde se demostró que funcionan 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 multitarea. 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 que la arquitectura AlexNet demostrara una precisión del 84,7% en la competencia ImageNET. Este nivel de rendimiento fue revolucionario en ese momento, con el segundo mejor modelo logrando una precisión del 73,8%. El conjunto de datos de ImageNET, iniciado por Fei-Fei Li, es sólido, está bien etiquetado y 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, ahora están ocurriendo desarrollos similares en biología. Las empresas y los laboratorios de ciencias biológicas están creando conjuntos de datos a gran escala con decenas de millones de células inmunitarias etiquetadas de forma coherente para garantizar la validez de los datos subyacentes. Estos conjuntos de datos son análogos de ImageNET en biología.

Ya estamos viendo estos grandes conjuntos de datos de alta calidad que dan lugar a la experimentación a un ritmo y escala que antes era imposible. Por ejemplo, el aprendizaje automático se utiliza para identificar los tipos de células inmunitarias en diferentes partes del cuerpo y su participación en diversas enfermedades. Después de identificar patrones, los algoritmos pueden «mapear» o predecir diferentes trayectorias inmunes, que luego se pueden utilizar para interpretar, por ejemplo, por qué algunas inmunoterapias contra el cáncer funcionan en determinados tipos de cáncer y otras no. Los conjuntos de datos actúan como Google Maps del sistema inmunológico.

El mapeo de patrones de genes, proteínas e interacciones celulares entre 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 determinados tipos de cáncer, pero no en otros.

El mapeo de rutas de genes y proteínas a través de enfermedades y fenotipos permite a los investigadores aprender cómo trabajan juntos para activar rutas 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 inmunológico. Esto justifica la creación de modelos de aprendizaje automático que se desempeñen de manera efectiva en tareas específicas y se transfieran a otras tareas.

El aprendizaje por transferencia 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 específicas 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 conducirá a mejores medicamentos y tratamientos.

Con datos a gran escala que impulsan la investigación adicional en inmunoterapia e inteligencia artificial, confiamos en que pronto aparecerán medicamentos más efectivos para combatir el cáncer, lo que dará esperanza a los más de 18 millones de personas a las que se les diagnostica cáncer cada año.