Una plataforma de inteligencia artificial para diagnosticar zika y otras enfermedades

Es un método creado en Brasil que alía el análisis del suero sanguíneo mediante espectrometría de masas con un algoritmo que puede hallar patrones asociados a afecciones de diverso origen, incluso genético

Por Karina Toledo  |  Agência FAPESP – Científicos de la Universidad de Campinas (Unicamp), en Brasil, desarrollaron una plataforma capaz de diagnosticar diversos tipos de enfermedades con un alto índice de precisión mediante el empleo de marcadores metabólicos presentes en la sangre de los pacientes.

Es un método que alía la tecnología de espectrometría de masas, que permite identificar decenas de miles de moléculas presentes en el suero sanguíneo, con un algoritmo de inteligencia artificial capaz de detectar patrones asociados a enfermedades tanto de origen viral como bacteriano, fúngico e incluso genético.

Los resultados de esta investigación –que contó con el apoyo de la FAPESP y se realizó durante el doctorado de Carlos Fernando Odir Rodrigues Melo– se dieron a conocer en la revista Frontiers in Bioengineering and Biotechnology.

“Utilizamos la infección por el virus del zika como modelo para desarrollar la plataforma y demostramos que en ese caso la precisión diagnóstica supera el 95%. Una de las grandes ventajas reside en que el método no pierde la sensibilidad aun cuando el virus experimenta mutaciones”, comentó el director de la investigación, Rodrigo Ramos Catharino, docente de la Facultad de Ciencias Farmacéuticas de la Unicamp y coordinador del Laboratorio Innovare de Biomarcadores de dicha institución.

Otro punto favorable, de acuerdo con el científico, fue la capacidad de detección de los casos positivos de zika aun cuando el análisis del suero sanguíneo se concretó 30 días después del comienzo de la infección, es decir, cuando la etapa aguda de la enfermedad ya había pasado.

“Ningún kit de diagnóstico actualmente disponible tiene sensibilidad como para detectar la infección por el virus del zika una vez pasada la fase aguda. Este método que desarrollamos podría ser útil para analizar bolsas de sangre destinadas a transfusiones, por ejemplo”, comentó Ramos Catharino.

Cada vez mejor

Durante el trabajo de desarrollo y de validación de la plataforma, se analizaron muestras sanguíneas de 203 pacientes atendidos en la Unicamp: 82 correspondían a personas con diagnóstico de zika confirmado mediante el método al que actualmente se lo considera el patrón oro en el área: el de PCR (reacción en cadena de la polimerasa) en tiempo real, que detecta el ARN viral en fluidos corporales durante la fase aguda de la infección.

Los otros 121 pacientes que integraron el llamado grupo de control presentaban al momento de la extracción de la sangre los mismos síntomas descritos en el grupo que dio positivo para el virus del zika: fiebre, dolor en las articulaciones, conjuntivitis y enrojecimiento en distintas partes del cuerpo. Pero el diagnóstico no se confirmó cuando se les aplicó el examen de PCR.

Todas las muestras extraídas se analizaron en el espectrómetro de masas, un aparato que funciona como una especie de balanza molecular, separando las moléculas que allí entran de acuerdo con su masa.

“Se identificaron alrededor de 10 mil moléculas distintas presentes en el suero de los pacientes, entre ellas lípidos, péptidos y fragmentos de ADN y ARN. En ese conjunto de metabolitos había tanto partículas producidas por el virus del zika como por el sistema inmunológico de los pacientes en respuesta a la infección”, explicó Ramos Catharino.

Todos los datos recabados en el análisis de espectrometría –tanto del grupo positivo para zika como del grupo de control– se insertaron entonces en un programa de computadora que hace uso de un algoritmo de tipo machine learning (aprendizaje de máquinas) llamado Random Forest. Este tipo de herramienta de inteligencia artificial permite analizar una gran cantidad de información con métodos estadísticos específicos, de manera tal de hallar patrones que permitan efectuar determinaciones o predicciones.

“El propio algoritmo separa aleatoriamente las muestras, determina cuál será el grupo de entrenamiento y el grupo ciego y después realiza los test y las validaciones. Al final, nos informa si con esa cantidad de muestras fue posible obtener un conjunto de marcadores metabólicos capaz de discriminar cuáles son los pacientes infectados por el virus del zika”, dijo Ramos Catharino.

Según el investigador, cada nuevo dato de un paciente que se inserta en el programa incrementa la capacidad de aprendizaje de la plataforma, volviéndola más sensible aún. En el caso del zika, se estableció un panel de 42 biomarcadores que sirven como una clave de identificación específica para el virus. De ellos, según el algoritmo, 12 fueron hallados con alta prevalencia en el suero de pacientes con diagnóstico positivo de la enfermedad.

“En esa plataforma no es importante conocer cuáles son exactamente esas 43 moléculas que funcionan como marcadores de la infección, pues el conjunto es lo que realmente importa y lo que nos informará con gran precisión si es el virus del zika o no lo es. Y aun en caso de que el virus se modifique, el programa se adapta y cambia con él. No es una metodología estática”, dijo Ramos Catharino.

En este momento, el grupo de la Unicamp realiza test con el objetivo de evaluar la capacidad de la plataforma para diagnosticar enfermedades sistémicas provocadas por hongos. También se probará este método en la detección de enfermedades bacterianas y genéticas. Esta investigación cuenta con la colaboración del profesor Anderson de Rezende Rocha, del Instituto de Computación (IC) de la Unicamp.

En la nube

En teoría, cualquier laboratorio equipado con un espectrómetro de masas tendría potencial como para adoptar la nueva plataforma de diagnóstico desarrollada en la Unicamp. Este tipo de aparato ya se usa como parte de la rutina en la realización de análisis tales como la medición del nivel de vitamina D y en la prueba del talón que se realiza a los recién nacidos para la detección de enfermedades metabólicas.

“Nuestra propuesta sería dejar la plataforma a disposición en la nube, de manera tal que pueda bajársela desde cualquier espectrómetro de masas en cualquier parte del mundo. El análisis de los datos podría realizarse online. Habrá que definir si se cobra o no el servicio”, explicó Ramos Catharino.

Puede leerse el artículo intitulado A Machine Learning Application Based in Random Forest for Integrating Mass Spectrometry-Based Metabolomic Data: A Simple Screening Method for Patients With Zika Virus (DOI: 10.3389/fbioe.2018.00031) en el siguiente enlace: frontiersin.org/articles/10.3389/fbioe.2018.00031/full.