Para avanzar en la medicina moderna, los investigadores de la EPFL están desarrollando herramientas de diagnóstico basadas en inteligencia artificial. Su objetivo es predecir el mejor tratamiento que debe recibir un paciente.
Charlotte Bunne, directora del grupo de Inteligencia Artificial en Medicina Molecular de la EPFL , está desarrollando algoritmos de IA para comprender mejor los datos increíblemente complejos y de alta dimensión que representan los cientos de capas de tejido y marcadores de proteínas en una célula individual. La revista Dimensions de la EPFL habló con Charlotte Brunne sobre su trabajo en la vanguardia de la IA en medicina y biología.
¿Podría describir el enfoque de su investigación?
Estamos desarrollando herramientas de diagnóstico para clínicas que funcionan con tecnologías de IA. Esto incluye predecir el mejor tratamiento que debe recibir un paciente, tratar de comprender el estado de la enfermedad en el que se encuentra un paciente y descifrar biomarcadores importantes o posibles dianas farmacológicas que debemos investigar más a fondo. Es importante destacar que el perfil molecular y, por lo tanto, en última instancia, el fenotipo de la enfermedad asociada de cada paciente, es único para cada persona. Adaptar las terapias al perfil molecular de un individuo requiere tanto mediciones que capturen los factores celulares y moleculares que influyen en la respuesta al tratamiento como tecnologías de IA potentes que predigan de manera sólida los factores a partir de los conjuntos de datos biomédicos correspondientemente grandes y de alta dimensión que se originan en varios experimentos.
Y aunque vemos estos increíbles logros de la IA en la visión y el lenguaje, los datos biológicos son muy diferentes: las mediciones son indirectas, ocultas, multimodales y representan solo instantáneas de un sistema inherentemente dinámico que gobierna los procesos biológicos subyacentes. No podemos simplemente aplicar tecnologías de IA desarrolladas para el lenguaje al campo de la biología, necesitamos adaptar las arquitecturas y los algoritmos de aprendizaje a las complejidades de los datos y sistemas biológicos.
Si bien estos grandes modelos de redes neuronales que desarrollamos suelen ser cajas negras en términos de sus predicciones, debemos diseñarlos de tal manera que al menos comprendamos qué factores biológicos han contribuido a una predicción. Esta comprensión es crucial para el descubrimiento de biomarcadores y dianas farmacológicas, ya que destaca mecanismos y vías biológicas específicas vinculadas a la enfermedad, lo que revela nuevas oportunidades terapéuticas.
Cuéntame un poco sobre tus antecedentes: ¿cómo comenzaste a trabajar en este área tan vanguardista? ¿Cómo despertó tu interés?
Empecé pronto. A los 14 años participé en un programa de becas para estudiantes de secundaria en el Centro Alemán de Investigación del Cáncer y me fascinaba trabajar en biología sintética, un campo que combina ingeniería, informática y biotecnología. Desde entonces, estoy convencido de que solo los enfoques verdaderamente interdisciplinarios nos permitirán alcanzar nuestras metas. Ahora, en mi cátedra estoy afiliado conjuntamente con la Escuela de Ciencias de la Vida y la Escuela de Ciencias Informáticas de la EPFL.
Cuando era estudiante de secundaria, modificamos células bacterianas simples para que tuvieran una nueva función: eso nos permitió usarlas como pequeñas máquinas en un producto. Ahora, me interesa cómo podemos diseñar células humanas para que tengan propiedades diagnósticas, cómo podemos predecir su comportamiento ante terapias o cómo podemos reprogramarlas para que pasen de una enfermedad a un estado saludable. Por lo tanto, aunque los objetivos, las herramientas y, en particular, el nivel de complejidad no podrían ser más diferentes del trabajo que hice cuando tenía 14 años, la esencia sigue siendo la misma.
Es evidente que este campo de investigación es un importante impulsor de la medicina personalizada. ¿Con qué rapidez está evolucionando? ¿Ha alcanzado su máximo potencial en los últimos años con los avances en inteligencia artificial?
Soy un investigador joven, así que me he sumado a una revolución que lleva ya algún tiempo ocurriendo. El campo se ha transformado increíblemente rápido en los últimos tiempos debido a la forma en que ahora podemos generar datos biológicos de alto rendimiento con una resolución sin precedentes. Organizar colecciones masivas de conjuntos de datos biomédicos es la base para entrenar grandes redes neuronales. Por ejemplo, gran parte del éxito del último Premio Nobel de Química, otorgado en parte a los científicos que desarrollaron la herramienta de predicción de la estructura de las proteínas AlphaFold, se debe al Protein Data Bank, una gran colección de estructuras de proteínas disponible de forma gratuita para cualquier persona.
Nuestra investigación se desarrolla en un nivel superior, donde intentamos simular la función biológica y el comportamiento de las células y los tejidos. Basamos nuestros modelos de IA en datos que miden cientos de características en células individuales y brindan información sobre la ubicación subcelular, la presencia y la abundancia de proteínas y moléculas individuales dentro de una célula. Cada vez recopilamos más datos muy completos en bases de datos, por lo que el progreso se debe a una combinación de la disponibilidad de más muestras y la obtención de datos muy completos y de muy alta resolución de células humanas.
Sin embargo, a menudo todavía trabajamos en regímenes de pocos datos y carecemos de conjuntos de datos completos que, por ejemplo, capturen procesos celulares dinámicos a lo largo del tiempo y en escalas físicas: en particular, los datos pareados que vinculan los cambios moleculares con los comportamientos a nivel de tejido son escasos, lo que significa que debemos ser creativos al desarrollar sistemas de IA para superar estas limitaciones.
Comprender plenamente la complejidad de los sistemas biológicos –que implican innumerables interacciones moleculares que se organizan en dinámicas generales a nivel de sistemas en escalas de tiempo que van desde picosegundos hasta procesos que ocurren a lo largo de años– es una tarea monumental.Charlotte Bunne
Usted mencionó la recopilación de datos y las bases de datos que han sido una base fundamental para el trabajo que está realizando ahora. Claramente, existen problemas relacionados con la privacidad y con la forma en que se pueden utilizar los datos de los pacientes para entrenar algoritmos de aprendizaje automático. ¿Cómo funciona esto y cómo se ubica Suiza en el contexto global?
Por supuesto, los datos de los pacientes requieren la máxima sensibilidad. Estos datos se almacenan en entornos informáticos seguros y las normas de protección de datos establecen requisitos estrictos para su manejo y procesamiento. Lo que es algo único en Suiza es la coordinación de esfuerzos para desarrollar infraestructuras de datos interoperables que permitan la accesibilidad y el intercambio a nivel nacional de datos relacionados con la salud. Esto sienta las bases para el desarrollo de algoritmos de IA que utilizan bases de datos cada vez mayores de datos de pacientes diversos y representativos. Nuestro trabajo se beneficia de estos enormes esfuerzos y ecosistemas que se han establecido en Suiza en los últimos años.
Otro pilar de nuestra investigación es el estrecho intercambio con médicos y biólogos. Para nosotros, esto significa que estamos desarrollando nuestras soluciones de IA en estrecha colaboración y podemos adaptarlas de manera que las herramientas de diagnóstico que construimos se integren perfectamente en las rutinas y procesos clínicos. Al mismo tiempo, estas estrechas colaboraciones con médicos y biólogos nos permiten influir y dirigir la generación futura de datos en áreas en las que los datos están insuficientemente muestreados, o priorizar las mediciones de modalidades de datos que ofrecen conocimientos más profundos sobre la composición molecular de las células y los tejidos. Esperamos que esta recopilación de datos guiada por IA mejore significativamente las capacidades de los modelos de IA que construimos.
También participa en una comunidad global que tiene como objetivo desarrollar células virtuales impulsadas por IA. ¿Qué son y cómo impulsarán la investigación actual?
Existen innumerables formas de medir la biología en muchas escalas físicas diferentes, desde las interacciones moleculares hasta la arquitectura de los tejidos. La pregunta que queremos responder es: ¿cómo podemos integrar todas esas mediciones para obtener una imagen completa y una comprensión integral del comportamiento y la función celular? En concreto, ¿podemos predecir cómo cambiará el estado molecular de una célula ante una perturbación externa, como un fármaco, una influencia ambiental, una enfermedad o un tratamiento? En esencia, queremos entender por qué una célula adopta un estado particular en lugar de otro.
Con los avances en las técnicas de medición y las arquitecturas de IA cada vez más potentes, ahora estamos empezando a tener las herramientas para afrontar estos desafíos. Algunos de estos modelos de IA se basan en datos de medición de células individuales, mientras que otros se centran en decodificar el lenguaje del ADN o predecir el plegamiento de proteínas. La visión es crear un modelo de base multimodal y multiescala (una célula virtual impulsada por IA) que integre todos esos esfuerzos y mediciones y represente y simule el comportamiento de moléculas, células y tejidos en una variedad de estados y condiciones. Una célula virtual de IA sirve como un simulador universal aprendido capaz de modelar sistemas celulares en diversos escenarios, incluida la diferenciación, los estados patológicos, las fluctuaciones estocásticas y las influencias ambientales.
Se trata de un esfuerzo colaborativo masivo que involucra a una comunidad de investigación global. Muchos grupos están trabajando en diferentes componentes de este rompecabezas, y nuestro desafío y oportunidad radican en integrar estas contribuciones en una visión cohesiva que amplíe los límites de lo que es posible en la investigación biomédica.
Si tuvieras una bola de cristal, ¿dónde verías la IA en la biomedicina dentro de una década? ¿Qué estarás haciendo dentro de diez años?
Hay algunas tareas más sencillas en biología que podríamos haber resuelto y para las que podemos hacer predicciones precisas. Casos de éxito como AlphaFold demuestran que podemos resolver problemas aislados específicos, y espero que en la próxima década se produzcan más avances de ese tipo. Sin embargo, comprender plenamente la complejidad de los sistemas biológicos (que implican innumerables interacciones moleculares que se organizan en dinámicas generales a nivel de sistemas en escalas de tiempo que van desde picosegundos hasta procesos que se desarrollan a lo largo de años) es una tarea monumental. Creo que tendremos innumerables problemas que resolver y preguntas que responder durante muchos, muchos años más.
Referencias
Este artículo se publicó por primera vez en Dimensions, una revista de la EPFL que presenta investigaciones de vanguardia a través de una serie de artículos en profundidad, entrevistas, retratos y noticias destacadas. Se publica cuatro veces al año en inglés y francés y se puede enviar a cualquier persona que desee suscribirse, así como a los miembros colaboradores del EPFL Alumni Club . También se distribuye de forma gratuita en los campus de la EPFL.
EPFL. T. P. Traducido al español
Contacto