Este modelo matemático, desarrollado por investigadores de la URV, presenta una tasa de aciertos de un 75%

La efectividad de la mayoría de las terapias utilizadas contra el cáncer es de corta duración. Los tumores a menudo desarrollan resistencias y la combinación de diferentes fármacos podría ser la solución. Pero la variedad de medicamentos contra el cáncer y las diferentes combinaciones posibles entre ellos pueden ser tantas que hacer pruebas en laboratorio y ensayos clínicos sin tener ningún indicio previo de los resultados acaba siendo material y económicamente inviable. En este sentido, investigadores de la URV se enfrentaron a un reto: conseguir aplicar un método para predecir, con la máxima fiabilidad posible, cuál sería la interacción entre 69 fármacos ante 85 tipos diferentes de cáncer. En esta iniciativa, que impulsó una empresa farmacéutica como concurso y participaron 160 centros de investigación, instituciones e investigadores de todo el mundo, el equipo de la URV se situó entre los diez primeros que consiguió mejores resultados.

Marta Sales, Roger Guimerà, Antonia Godoy y Marc Tarrés, del grupo de investigación SEES Lab del Departamento de Ingeniería Química de la URV, utilizaron un modelo matemático de redes multicapa que permite hacer múltiples combinaciones entre las interacciones que tenían los fármacos entre sí con los diferentes tipos de cánceres. Este algoritmo agrupa, por una parte, los cánceres que se parecen y, por otra, incorpora otra capa que conforman los medicamentos que se comportan de manera similar.

Hay muchísimas combinaciones entre capas y nodos, y este sistema permite predecir de forma muy cuidadosa cómo serán las interacciones entre medicamentos en cada uno de los tipos de cáncer, con una tasa de aciertos del 75%, sólo teniendo en cuenta las interacciones conocidas, sin necesidad de que intervengan otros parámetros biológicos.

«Se trata de un modelo muy sencillo, que tiene el valor añadido de que no está enfocado sólo a tratamientos contra el cáncer, sino que se puede aplicar también a otras variables y es muy fácil de entender», explica Roger Guimerà sobre este modelo, que describe todas las capas de forma simultánea, lo que permite aprovechar al máximo la información contenida. En este sentido, este mismo modelo se ha utilizado, por ejemplo, para predecir si a un individuo le gustará una película o no, o si alguna persona decidirá cooperar con otra o competir.

Referencia bibliográfica: Community assessment to advance computational prediction of cancer drug combinations in a pharmacogenomic screen. Nature Communications (2019) 10:2674. DOI: 10.1038/s41467-019-09799-2