Una nueva herramienta de inteligencia artificial podría ayudar a dar más sentido a una de las informaciones más valiosas, pero también más complejas, de la medicina oncológica: el ADN del tumor. Investigadores de la Universidad de California en San Diego han desarrollado MutationProjector, un modelo capaz de analizar el perfil genético de un cáncer y transformarlo en predicciones sobre cómo podría responder a distintos tratamientos. El avance no sustituye el criterio médico ni supone una terapia nueva, pero sí ofrece una vía prometedora para hacer que las pruebas genéticas sean más útiles en la toma de decisiones clínicas y acercar la oncología de precisión a más pacientes.

Tras un diagnóstico de cáncer, una de las herramientas habituales para orientar el tratamiento es la secuenciación genética del tumor. Estas pruebas permiten identificar alteraciones concretas que pueden ayudar a clasificar la enfermedad y, en algunos casos, seleccionar terapias dirigidas.

El problema es que los tumores suelen acumular muchas mutaciones y no siempre es fácil interpretar qué significan. Aunque existen biomarcadores muy valiosos, la elección de tratamientos basada en genética todavía depende de un número limitado de alteraciones conocidas y validadas.

De hecho, los investigadores señalan que actualmente solo alrededor del 8% de los casos pueden asociarse con éxito a una terapia aprobada basándose en la genética del tumor. Esto deja fuera a muchos pacientes cuyos tumores contienen mutaciones raras, combinaciones complejas o patrones difíciles de estudiar de forma aislada.

MutationProjector busca ampliar esa mirada. En lugar de fijarse únicamente en genes concretos, analiza la combinación global de alteraciones genéticas presentes en el tumor y genera una representación compacta de su estado biológico. Esa síntesis permite observar qué vías moleculares podrían estar alteradas y qué tratamientos podrían tener más posibilidades de funcionar.

Una herramienta de IA convierte mutaciones del cáncer en información útil para tratarlo

El modelo fue entrenado con datos genómicos de más de 30.000 tumores correspondientes a 10 tipos de cáncer sólido. A partir de esa gran cantidad de información, la IA aprende patrones que pueden pasar desapercibidos para los enfoques tradicionales basados en biomarcadores individuales.

Para comprobar su utilidad, los investigadores validaron MutationProjector en varias cohortes independientes de pacientes. En tumores como cáncer de vejiga, cáncer de pulmón y melanoma, el sistema igualó o superó métodos existentes a la hora de predecir la respuesta a tratamientos comunes de inmunoterapia y quimioterapia.

Además de anticipar posibles respuestas, la herramienta también identificó biomarcadores conocidos y otros inesperados relacionados con los resultados del tratamiento. Esto puede ser especialmente útil para mejorar las pruebas genéticas actuales, clasificar mejor a los pacientes y diseñar futuras estrategias terapéuticas.

Otro aspecto importante es que el modelo no se ha diseñado como una “caja negra” que solo ofrece una predicción final. Sus creadores destacan que también busca explicar por qué llega a una conclusión, algo fundamental en medicina, donde los profesionales necesitan comprender la relación entre las mutaciones del tumor y las decisiones clínicas.

Este tipo de avances puede ayudar a aprovechar mejor una información que ya se obtiene en muchos hospitales. La secuenciación genética es cada vez más accesible, pero su valor clínico depende de la capacidad para interpretar correctamente los datos y traducirlos en decisiones útiles para cada paciente.

El equipo investigador espera ampliar MutationProjector a más tipos de cáncer y combinarlo con otras fuentes de información, como imágenes médicas, transcriptómica, datos clínicos e historias electrónicas. Esa integración podría ofrecer una visión más completa de cada tumor y de su comportamiento ante distintos tratamientos.

Aun así, el avance debe entenderse como una herramienta en desarrollo. Antes de su uso clínico generalizado serán necesarios nuevos estudios, validaciones y pruebas que demuestren cómo puede incorporarse de forma segura y eficaz al trabajo diario de los equipos médicos.

Pese a estas cautelas, la investigación representa una noticia esperanzadora. Convertir largas listas de mutaciones en información funcional puede acercar la medicina a tratamientos más personalizados, evitar decisiones basadas en datos incompletos y abrir nuevas oportunidades para pacientes cuyo cáncer no encaja en los biomarcadores tradicionales.