Cómo la IA y las células madre pueden mejorar el diagnóstico y tratamiento del Parkinson

La enfermedad de Parkinson es un trastorno neurodegenerativo común e incurable que es clínicamente heterogéneo: es probable que diferentes mecanismos celulares impulsen la patología en los distintos individuos.

Hasta el momento no había sido posible definir el mecanismo celular que subyace a la enfermedad neurodegenerativa en vida. Ahora investigadores del Instituto Francis Crick y el Instituto de Neurología UCL Queen Square, en colaboración con la empresa de tecnología Facultad AI, han demostrado que el aprendizaje automático puede predecir con precisión los subtipos de la enfermedad de Parkinson utilizando imágenes de células madre derivadas de pacientes.

Su trabajo, que acaba de publicarse en la revista Nature Machine Intelligence, ha demostrado que los modelos informáticos pueden clasificar con precisión cuatro subtipos de la enfermedad de Parkinson, uno de los cuales alcanza una precisión del 95 %. Esto podría allanar el camino para la medicina personalizada y el descubrimiento de fármacos dirigidos.

La enfermedad de Parkinson implica el mal plegamiento de proteínas clave y la disfunción en la eliminación de mitocondrias defectuosas, la fuente de producción de energía en la célula. La mayoría de los casos de la enfermedad de Parkinson comienzan de forma esporádica, pero algunos pueden estar relacionados con mutaciones genéticas.

Los investigadores generaron células madre a partir de las pertenecientes a los pacientes y crearon químicamente cuatro subtipos diferentes de la enfermedad de Parkinson, dos que involucran vías que conducen a la acumulación tóxica de una proteína llamada α-sinucleína y otras dos que involucran a aquellas vías que conducen a mitocondrias inactivas, para crear un “humano” modelo de enfermedad cerebral en el laboratorio.

Luego tomaron imágenes de cada uno con detalle microscópicos y etiquetaron los componentes celulares clave, incluidos los lisosomas, que están involucrados en la descomposición de las partes desgastadas de la célula. Los investigadores entrenaron un programa de computadora para reconocer cada subtipo, que luego pudo predecirlo cuando se le presentaron imágenes que no había visto antes.

Las mitocondrias y los lisosomas fueron las características más importantes para predecir el subtipo correcto, lo que confirma su participación en el desarrollo de la enfermedad de Parkinson, pero también se descubrió que otras áreas de la célula, como el núcleo, eran importantes, así como aspectos de las imágenes que aún los científicos no han podido explicar.

James Evans, estudiante de doctorado en el Instituto Francis Crick, y coautor junto con con Karishma D´Sa y Gurvir Virdi, ambos del mismo centro, afirmó: “ahora que usamos técnicas de imagen más avanzadas, generamos grandes cantidades de datos, muchos de los cuales se descartan cuando seleccionamos manualmente algunas características de interés”.

“El uso de IA en este estudio nos permitió evaluar una mayor cantidad de características celulares y evaluar la importancia de estas características para discernir el subtipo de enfermedad. Usando el aprendizaje profundo, pudimos extraer mucha más información de nuestras imágenes que con el análisis de imágenes convencional. Ahora esperamos expandir este enfoque para comprender cómo estos mecanismos celulares contribuyen a otros subtipos de Parkinson”, afirmó el científico.

Sonia Gandhi, subdirectora de investigación y líder de grupo del Laboratorio de Biología de Neurodegeneración en Crick, indicó: “Entendemos muchos de los procesos que causan el Parkinson en el cerebro de las personas. Pero, mientras están vivos, no tenemos forma de saber qué está sucediendo y, por lo tanto, tampoco podemos dar tratamientos precisos. Actualmente no tenemos tratamientos que marquen una gran diferencia en la progresión de la enfermedad. Usando un modelo de las propias neuronas del paciente y combinándolo con una gran cantidad de imágenes, generamos un algoritmo para clasificar ciertos subtipos, un enfoque poderoso que podría abrir la puerta a la identificación de subtipos de enfermedades en la vida”.

Y sumó: “Llevando esto un paso más allá, nuestra plataforma nos permitiría primero probar medicamentos en modelos de células madre y predecir si las células cerebrales de un paciente probablemente responderían a un medicamento, antes de inscribirse en ensayos clínicos. La esperanza es que algún día esto pueda conducir a cambios fundamentales en la forma en que brindamos medicina personalizada”.

El proyecto se desarrolló durante la interrupción de la investigación del laboratorio en la pandemia: todo el equipo realizó un curso intensivo de codificación, aprendió a trabajar en Python, desarrolló habilidades que ahora están aplicando a los proyectos actuales.

James Fleming, director de información de Crick, que trabajó con la IA de la facultad en el proyecto, sostuvo que “la IA es una tecnología fascinante y poderosa, pero que a menudo se vuelve impenetrable. Este documento surgió como resultado de una asociación única de la industria con la facultad para ver si un grupo de principiantes en IA podía aprender y aplicar las mejores prácticas directamente a su ciencia en un marco de tiempo muy reducido.

El éxito de este proyecto no solo demostró que podían, desbloqueando nuevos conocimientos en el proceso, sino que también ayudó a impulsar la inversión en la rápida expansión de nuestro propio equipo de ingeniería de software e inteligencia artificial, que tiene más de 25 proyectos en curso con diferentes laboratorios en Crick, con nuevas investigaciones que se inician cada mes”.

Los siguientes pasos para el equipo son comprender los subtipos de enfermedades en personas con otras mutaciones genéticas y determinar si los casos esporádicos de la enfermedad de Parkinson (es decir, sin mutaciones genéticas) pueden clasificarse de manera similar. El equipo de trabajo se completó con Alejandro Adán, Ottavia Bertolli, James Fleming, Hojong Chang, Craig Leighton, Mathew H. Horrocks, Dilan Athauda, Minee L. Choi y Sonia Ghandi.

Seguir leyendo: