kristin jenkins

15 de de junio de, el año 2016

La supervivencia de los pacientes con tumores malignos es un problema inquietante para el paciente, para el médico y en General para la sociedad.

Este artículo de Medscape, que tan acertada y generosamente nos informa, pretende acortar el tiempo en la predicción usando el sistema de simulación por ordenador.

El fundamento es estimar cuánto tiempo puede sobrevivir un paciente de cáncer, y utiliza métodos estadísticos para adivinar la evolución biológica sometida del cáncer desde  la dotación cromosómica y el entorno, lo que supone múltiples ecuaciones con múltiples respuestas, pero proporciona información muy acertada en ocaciones.

El nuevo método, conocido como surviv (análisis de supervivencia de mRNA Isoforma Variación),  estudia los modelos de la incertidumbre de medición de la relación de la isoforma de ARNm en los datos de secuenciación de ARN para predecir el tiempo de supervivencia del paciente.

La simulación por ordenador es un método útil y muy aplicado en General. Se trata de un modelo de simulación  informatizado. Utiliza un un programa informático cuyo fin es crear una simulación de un modelo abstracto de un determinado sistema. Las simulaciones por computadora se han convertido en una parte relevante y útil de los modelos matemáticos de muchos sistemas naturales de ciencias como la física, la astrofísica, la química y la biología; así como de sistemas humanos de economía, psicología y ciencias sociales.

Las simulaciones por computadora abarcan desde programas informáticos cuya ejecución dura unos minutos hasta conjuntos de ordenadores conectados en red cuya ejecución dura horas, e incluso hay simulaciones que se extienden varios días. La variedad de acontecimientos que se pueden recrear mediante simulaciones por computadora ha superado con creces las posibilidades del modelo matemático tradicional.

En la predicción de la supervivencia de determinados tipos de tumores la simulación se llevaron a cabo en seis tipos diferentes de cáncer: carcinoma ductal invasivo (IDC), el glioblastoma multiforme, el glioma de bajo grado, el carcinoma renal de células claras, carcinoma de células escamosas de pulmón y de ovario seroso cistoadenocarcinoma.

«El uso de grandes volúmenes de datos biomédica que abarcan los perfiles moleculares y clínicos del cáncer, podemos identificar nuevos biomarcadores que guían el pronóstico y el tratamiento del cáncer», dijo el autor principal Yi Xing, MD, del Departamento de Microbiología, Inmunología y Genética Molecular de la Universidad de California, Los Ángeles.

«Más específicamente, se encontró que las predicciones basadas en la isoforma trabajan consistentemente mejor que las predicciones basadas en los genes convencionales en la predicción del tiempo de supervivencia», dijo a Medscape Medical News .

«Esperamos que podamos proporcionar potencialmente una herramienta poderosa» medicina de precisión ‘que se puede utilizar en la clínica para guiar el tratamiento del cáncer «, dijo en una entrevista. Se estima que esto podría tomar de 1 a 3 años. Es decir la predicción se hace fundándose en la forma en vez de los genes convencionales, introduciendo la clínica del paciente.

Para fabricar este algoritmo el Dr. Xing y colegas pasaron más de 2 años en su desarrollo al que llamaron  surviv. Se utilizaron muestras histológicas de un total de 2684 pacientes con cáncer.

La primera prueba de simulación se llevó a cabo durante 682 pacientes con IDC del Genoma del Cáncer Atlas (TCGA) cáncer de mama conjunto de datos de RNA-secuenciación.

Para comparar el rendimiento de surviv con un análisis de supervivencia de regresión de Cox convencional usando las estimaciones puntuales de los niveles de exón-inclusión, los investigadores diseñaron un conjunto de datos simulados de 600 individuos que imitaba los parámetros de los datos sobre el cáncer de mama TCGA IDC.

En cada simulación, simularon 20.000 exones alternativos para corresponder al número de eventos de omisión de exón en los datos TCGA IDC. Un total de 90% de los exones eran de la hipótesis nula – que los exones no se asociaron con el tiempo de supervivencia. El 10% restante de los exones eran de la hipótesis alternativa – que los exones se asociaron con el tiempo de supervivencia.

La simulación de datos se utilizaron luego en dos configuraciones: en el entorno sin censurar, se conoce el tiempo de muerte y supervivencia de cada paciente; en el ajuste con la censura, el tiempo de muerte y supervivencia no era conocido. Esta última incluyó a pacientes que todavía estaban vivos.

Los investigadores imitaban la tasa de censurar el conjunto de datos de IDC TCGA suponiendo que el 85% de los pacientes estaban vivos al final del estudio. «En ambos entornos y con diferentes profundidades de la cobertura de ARN-secuenciación, surviv tuvo mejores resultados que la regresión de Cox en la tasa de verdaderos positivos a la misma tasa de falsos positivos del 5%,» Dr. Xing y sus colegas informe. «Como era de esperar, se observó una mejora más significativa en surviv sobre la regresión de Cox cuando la ARN-secuenciación leer la cobertura fue baja.»

Cuando el análisis surviv se llevó a cabo en cinco tipos de cáncer adicionales en TCGA, glioma de bajo grado tuvo las señales de splicing alternativo supervivencia asociada a fuertes con 660 eventos significativos de omisión de exón. «Sorprendentemente, sin importar el número de eventos significativos, los predictores de supervivencia basada en splicing alternativo de genes superaron basadas en expresiones predictores de supervivencia en todos los tipos de cáncer coherentes con nuestra observación inicial sobre el conjunto de datos de IDC,» escriben los investigadores.

Evaluación de los diferentes tipos de modelos de predicción mostró que un modelo que incorpora datos clínicos, la expresión génica, y los datos de splicing alternativo realizadas significativamente son mejores que cualquier tipo de predictor solo.

Ahora el equipo está aplicando surviv a conjuntos de datos mucho más grandes a través de muchos más tipos de cánceres que se desarrollan factores predictivos basados ​​en la isoforma más fiables de la supervivencia del paciente. Ellos son la esperanza de descubrir isoformas que se asocian consistentemente con la supervivencia en un análisis «-cáncer de pan» a través de múltiples tipos de cáncer, explicó el Dr. Xing. Este método podría extenderse a otros tipos de predecir los resultados del paciente, como respuesta a terapias específicas.

El estudio fue apoyado por becas de los Institutos Nacionales de Salud y la Fundación Nacional de Ciencia. Dr. Xing recibido apoyo a través de una beca de investigación de Alfred Sloan.

Nat Commun . Publicado en Internet el 9 de junio de 2016.

Después de este arduo trabajo difícil de comprender por los profanos, pensamos que necesitamos una mayor formación en estadística y en simulación por ordenadores, porque lo que deduzco de esta publicación, sino tengo fe de nada me sirve. Que no obstante deduzco que la simulación por ordenador es un método muy al alcance de todo profesional, que este apasionado por el tema si consigue comprenderlo.