– Investigadores de la Universidad de Virginia (UVA) han desarrollado una herramienta de aprendizaje automático para identificar factores asociados con la fibrosis cardíaca y predecir qué fármacos candidatos pueden ayudar a prevenir la afección.
fibrosis cardiaca Se caracteriza por cicatrices anormales en los músculos del corazón después de un evento o lesión cardíaca, como un ataque cardíaco. Esta cicatrización excesiva puede causar disfunción cardíaca y contribuir a resultados adversos para los pacientes.
Los fármacos antifibróticos tienen el potencial de prevenir algunas de estas cicatrices, pero identificar las causas de las enfermedades y comprender cómo les afectan los fármacos sigue siendo un desafío para los investigadores.
«Muchas enfermedades comunes, como las enfermedades cardíacas, las enfermedades metabólicas y el cáncer, son complejas y difíciles de tratar», dijo Anders R. Nelson, PhD, ex científico investigador postdoctoral en la Facultad de Medicina de la UVA que contribuyó al estudio. estudiar, en el comunicado de prensa. «El aprendizaje automático nos ayuda a reducir esta complejidad, identificar los factores más importantes que contribuyen a la enfermedad y comprender mejor cómo los fármacos pueden modificar las células enfermas».
Investigaciones anteriores destinadas a identificar objetivos farmacológicos para la fibrosis cardíaca se han centrado únicamente en comportamientos particulares de los fibroblastos, las células que producen el colágeno necesario para reparar el daño cardíaco. Este proceso provoca cicatrices dañinas en algunos pacientes, pero no en otros.
Para comprender mejor estas células y cómo les afectan los candidatos a fármacos antifibróticos, el equipo de investigación utilizó el aprendizaje automático para explorar qué características fenotípicas de los fibroblastos cambian en respuesta al tratamiento.
El enfoque identificó 137 de estas características en relación con 13 fármacos antifibróticos. Utilizando estos datos, los investigadores entrenaron algoritmos de aprendizaje automático para predecir el efecto de cada fármaco sobre las células y su comportamiento.
El análisis reveló la inhibición de Src a través de la vía de la fosfoinositida 3-quinasa (PI3K) como una terapia potencial para tratar la fibrosis cardíaca.
“Unir el aprendizaje automático con el aprendizaje humano nos ayudó no solo a predecir medicamentos contra la fibrosis, sino también a explicar cómo funcionan. Este conocimiento es necesario para diseñar ensayos clínicos e identificar posibles efectos secundarios”, afirmó el autor correspondiente Jeffrey J. Saucerman, PhD, profesor del Departamento de Ingeniería Biomédica de la UVA, un programa conjunto de la Facultad de Medicina y la Facultad de Ingeniería.
El equipo de investigación advirtió que se necesita más trabajo para garantizar que estos fármacos candidatos funcionen según lo previsto, pero señaló que las herramientas mecanicistas de aprendizaje automático pueden ser particularmente útiles para analizar causa y efecto en otras aplicaciones biológicas.
Los investigadores también indicaron que su modelo tiene el potencial de ayudar a predecir el impacto de los medicamentos en otras enfermedades.
«Esperamos que esto proporcione un ejemplo de cómo el aprendizaje automático y el aprendizaje humano pueden trabajar juntos no sólo para descubrir, sino también para comprender cómo funcionan los nuevos medicamentos», dijo Saucerman.
El aprendizaje automático también se está aplicando en otras aplicaciones clínicas de enfermedades cardiovasculares.
Investigadores del Texas Heart Institute detallaron recientemente el desarrollo de una herramienta de aprendizaje automático diseñada para caracterizar y predecir la respuesta a los diuréticos en pacientes con insuficiencia cardíaca aguda descompensada (ICAD).
La afección es el resultado de una acumulación excesiva de líquido en el cuerpo y es una causa importante de resultados adversos. El tratamiento se basa en el uso de diuréticos para aliviar la congestión cardíaca, pero tratar a los pacientes resistentes a estos fármacos es un obstáculo importante para los médicos.
Para estos pacientes, se recomienda que los equipos de atención optimicen la dosis de diuréticos antes de proceder a la terapia combinada. Para mejorar este proceso, los investigadores crearon una herramienta de aprendizaje automático que clasifica a los pacientes en subgrupos según su eficacia diurética, lo que podría ayudar a respaldar las decisiones clínicas y mejorar los resultados.