Resumen de Estudio de la influencia del microentorno en la respuesta celular mediante técnicas mixtas de simulación y aprendizaje automático. Aplicación a la evolución de glioblastoma
El cáncer es la segunda causa de muerte en el mundo. En particular, el Glioblastoma es el cáncer cerebral más común y también el más letal. Los paradigmas centrados únicamente en las células tumorales y en la genética han dado paso en la actualidad a un escenario diferente, en el que se integran diferentes poblaciones celulares, señales físicas y una gran variedad de estímulos externos. Los modelos matemáticos para evaluar la progresión del cáncer han demostrado ser, combinados con datos experimentales, una herramienta de gran valor para una mejor comprensión y pronóstico, así como para facilitar el diseño de terapias o permitir pruebas de fármacos in silico. Sin embargo, a pesar de su capacidad predictiva, estos modelos no consiguen desentrañar complejos procesos biológicos, a menudo ocultos debido a las grandes no linealidades, y los importantes acoplamientos existentes entre los diferentes fenómenos implicados.
Recientemente, está surgiendo un nuevo paradigma en la Ingeniería y Ciencias Basadas en Simulación, que apunta a la incorporación de la Ciencia de Datos y la Inteligencia Artificial al modelado matemático convencional de sistemas físicos. De hecho, en las últimas décadas, se ha demostrado que estas herramientas poseen un enorme poder predictivo, aunque existe cierto escepticismo debido a su naturaleza de ``caja negra''. Esta falta de capacidad explicativa puede ser suplida por siglos de investigación que han resultado en grandes conocimientos sobre nuestro entorno que no pueden caer en el olvido. Los procesos tumorales no son una excepción.
En esta tesis, se propone una nueva aproximación al análisis de la evolución tumoral, combinando el uso intensivo de datos y herramientas de Aprendizaje Automático con la capacidad explicativa de los modelos físico-matemáticos sobre la progresión del cáncer, algo que es hoy posible gracias a los grandes avances en las técnicas de monitorización de cultivos celulares. Este enfoque se enmarca en lo que actualmente se conoce como Ciencia de Datos Informada por la Física.
En primer lugar, adapto algunos de estos métodos a ámbitos con datos de baja calidad (datos incompletos o con ruido). A continuación, desarrollo un marco computacional en el que se reproduce la evolución del Glioblastoma en dispositivos microfluídicos en distintas configuraciones experimentales y, lo que es más importante, se revela la transición metabólica entre los comportamientos migratorio y proliferativo que tienen lugar durante la progresión del Glbiolastoma. Esto se consigue mediante el uso de una familia especial de redes neuronales artificiales, capaces de representar datos y relaciones no medibles dentro de un contexto físico consistente. Estas redes neuronales aprenden más rápido, requieren menos datos y tienen mayor capacidad de filtrado que las convencionales. Además, superan a los enfoques paramétricos estándar tanto en capacidad predictiva como explicativa cuando se utilizan para analizar la progresión del Glioblastoma.
En combinación con los modelos matemáticos y las simulaciones computacionales, un flujo de trabajo integrando datos de paciente específico y monitorización de cultivos celulares puede ayudar a sentar las bases de la medicina personalizada, y nos permite atisbar un futuro más alentador en la lucha contra el Glioblastoma.
