Aprendizaje automático y selección de características para la predicción de la respuesta a fármacos en aplicaciones de oncología de precisión

El modelado en profundidad de la compleja interacción entre múltiples datos ómicos medidos a partir de líneas celulares cancerosas o tumores de pacientes está proporcionando nuevas oportunidades para la identificación de terapias personalizadas para pacientes individuales con cáncer. Los algoritmos de aprendizaje automático supervisado se aplican cada vez más a los perfiles ómicos, ya que permiten análisis integradores entre conjuntos de datos de alta dimensionalidad, así como predicciones personalizadas de las respuestas a la terapia mediante paneles multiómicos de biomarcadores predictivos de respuesta identificados a través de la selección de características y la validación cruzada. Sin embargo, la variabilidad técnica y la frecuente ausencia de datos en los "big data" de entrada requieren la aplicación de canales de preprocesamiento de datos específicos que a menudo conllevan cierta pérdida de información y una visión comprimida de la señal biológica. Describimos aquí los métodos de aprendizaje automático de última generación para el modelado y la predicción de la respuesta a fármacos antitumorales y ofrecemos nuestra perspectiva sobre nuevas oportunidades para aprovechar mejor los perfiles multiómicos de alta dimensionalidad junto con el conocimiento sobre las vías del cáncer a las que se dirigen los compuestos antitumorales al predecir sus respuestas fenotípicas.