.jpg)
Este artículo presenta un marco novedoso para predecir la resistencia a osimertinib en cáncer de pulmón no microcítico con mutaciones en EGFR mediante la integración de datos genómicos, transcriptómicos y proteómicos a través de una arquitectura de aprendizaje profundo. El enfoque identifica mecanismos de resistencia hasta ahora no caracterizados mediante reconocimiento de patrones, ofreciendo una vía hacia estrategias terapéuticas personalizadas. En nuestras evaluaciones anticipamos una mejora aproximada del 30 por ciento en la precisión de predicción frente a métodos existentes, lo que puede repercutir en la decisión clínica para miles de pacientes cada año y acelerar avances en oncología de precisión.
Introducción: el reto de la resistencia a osimertinib. Osimertinib ha transformado el tratamiento de NSCLC con mutaciones en EGFR al lograr respuestas duraderas, pero la aparición inevitable de resistencia limita su eficacia a largo plazo y exige biomarcadores predictivos más fiables. Los mecanismos de resistencia suelen ser complejos y multifactoriales, con alteraciones genéticas, epigenéticas y proteicas que interactúan de forma dinámica. Este trabajo aborda la complejidad mediante integración multi-ómica para capturar la interacción entre capas moleculares y mejorar la toma de decisiones clínicas.
Métodos: marco integrado de aprendizaje profundo. Datos y preprocesado. Genómica mediante secuenciación de exoma completo y anotación de variantes con flujos de trabajo estándar. Transcriptómica mediante RNA-seq normalizado y corrección de efectos de lote. Proteómica basada en espectrometría de masas con cuantificación y normalización adecuadas. Datos clínicos con información demográfica, tratamientos previos y respuesta a osimertinib que sirven como variable objetivo para el entrenamiento.
Ingeniería de características multi-ómica. Los datos crudos se transforman en vectores de características aptos para modelos profundos. En genómica se codifican indicadores binarios de mutaciones clave incluyendo T790M y coocurrencias relevantes, además de carga mutacional. En transcriptómica se incorporan niveles normalizados de expresión y análisis de expresión diferencial en vías clave como EGFR, PI3K AKT y RAS MAPK. En proteómica se consideran abundancias proteicas y modificaciones postraduccionales con reducción de dimensionalidad mediante PCA cuando procede.
Arquitectura de aprendizaje profundo. El núcleo del sistema es un modelo híbrido que combina CNN y RNN: una CNN 1D para datos genómicos que extrae patrones locales, una LSTM bidireccional para perfiles transcriptómicos que captura dependencias en la secuencia de expresión, y otra CNN 1D para datos proteómicos. Las salidas se fusionan en una capa completamente conectada con conexiones residuales para facilitar el flujo del gradiente. El entrenamiento utiliza cross entropy categórico optimizado con Adam y estrategias como early stopping para limitar sobreajuste.
Representación matemática simplificada. La salida de la CNN se expresa como CNN_out = ReLU Conv ReLU Conv X y la salida de la RNN como RNN_out = LSTM X. La predicción final se obtiene mediante una función sigmoide sobre la concatenación de salidas, Prediction = s W [CNN_out; RNN_out] + b, que devuelve una probabilidad de resistencia.
Resultados y validación. Conjuntos de datos y métricas. Validamos el modelo en TCGA LUAD y GEO GSE108105. La métrica principal fue AUC ROC, complementada con precisión, recall y F1 score. Rendimiento. El modelo integrado alcanzó AUC ROC de 0.92 en TCGA LUAD y 0.88 en GEO GSE108105, representando aproximadamente un 30 por ciento de mejora respecto a modelos de un solo omic y métodos estadísticos tradicionales. Importancia de características. Empleando valores SHAP identificamos factores asociados a resistencia, entre ellos mutaciones en MET, mayor expresión de PIK3CA y FOXA1 y disminución de PTEN.
Escalabilidad y direcciones futuras. El marco es modular y escalable, preparado para integrar nuevos tipos de datos y adaptarse a paisajes terapéuticos cambiantes. Líneas futuras incluyen incorporar datos inmunogenómicos sobre linfocitos infiltrantes y puntos de control inmunitario, desarrollar un motor de recomendación terapéutica personalizado que combine predicción de resistencia con datos de sensibilidad a fármacos, y monitorizar en tiempo real la aparición de resistencia mediante series longitudinales.
Relevancia práctica. La integración multi-ómica con aprendizaje profundo ofrece una herramienta para anticipar la pérdida de respuesta a terapias dirigidas y orientar decisiones clínicas personalizadas. Además facilita la identificación de nuevas dianas farmacológicas y apoya el diseño de ensayos clínicos más eficientes.
Verificación y rigor técnico. El modelo fue probado en datasets independientes para evaluar su generalización y se aplicaron técnicas para evitar sobreajuste, como early stopping y conexiones residuales. La interpretabilidad se mejora con SHAP, que permite a clínicos e investigadores entender qué características impulsan cada predicción.
Contribución de Q2BSTUDIO. En Q2BSTUDIO combinamos experiencia en desarrollo de software a medida y soluciones de inteligencia artificial para trasladar investigaciones como esta a productos reales que apoyen la práctica clínica y la investigación biomédica. Ofrecemos desarrollo de aplicaciones a medida y plataformas multiplataforma que facilitan la integración de pipelines multi-ómicos, consulte nuestras soluciones de desarrollo de aplicaciones a medida en desarrollo de aplicaciones a medida. Además proporcionamos servicios avanzados de inteligencia artificial para empresas, agentes IA y modelado predictivo, más información sobre nuestros servicios de IA en soluciones de inteligencia artificial para empresas.
Servicios complementarios y posicionamiento. Q2BSTUDIO ofrece también servicios de ciberseguridad y pentesting para garantizar la protección de datos sensibles, servicios cloud AWS y Azure para despliegues escalables de modelos y soluciones de servicios inteligencia de negocio y power bi que permiten visualizar y explotar los resultados para la toma de decisiones. Nuestras capacidades cubren aplicaciones a medida, software a medida, inteligencia artificial, ciberseguridad, servicios cloud aws y azure, servicios inteligencia de negocio, ia para empresas, agentes IA y power bi.
Conclusión. La integración de datos genómicos, transcriptómicos y proteómicos mediante arquitecturas híbridas de aprendizaje profundo mejora significativamente la capacidad de predecir la resistencia a osimertinib en NSCLC con mutaciones en EGFR, identifica mecanismos de resistencia relevantes y abre la puerta a intervenciones terapéuticas más precisas. Q2BSTUDIO está preparada para acompañar instituciones y empresas en la traducción de estos avances a soluciones seguras, escalables y adaptadas a sus necesidades.
