Investigadores del MIT han desarrollado un nuevo marco teórico para estudiar los mecanismos de interacción de los tratamientos. Su enfoque permite estimar eficientemente cómo las combinaciones de tratamientos afectarán a un grupo de unidades, como las células, lo que permite realizar experimentos menos costosos y recopilar datos más precisos.

Por ejemplo, para estudiar cómo los genes interconectados afectan el crecimiento de las células cancerosas, un biólogo podría necesitar una combinación de tratamientos para atacar varios genes a la vez. Sin embargo, dado que podría haber miles de millones de combinaciones posibles en cada ronda del experimento, elegir un subconjunto de combinaciones para analizar podría sesgar los datos generados por el experimento.

Por el contrario, el nuevo marco considera el escenario en el que el usuario puede diseñar eficientemente un experimento imparcial asignando todos los tratamientos en paralelo y puede controlar el resultado ajustando la tasa de cada tratamiento.

Los investigadores del MIT demostraron teóricamente una estrategia casi óptima en este contexto y realizaron una serie de simulaciones para probarla en un experimento multironda. Su método minimizó la tasa de error en cada caso.

Esta técnica podría algún día ayudar a los científicos a comprender mejor los mecanismos de las enfermedades y desarrollar nuevos medicamentos para tratar el cáncer o los trastornos genéticos.

“Hemos introducido un concepto que permite a las personas reflexionar mejor al estudiar la forma óptima de seleccionar tratamientos combinatorios en cada ronda de un experimento. Esperamos que algún día pueda utilizarse para resolver cuestiones biológicamente relevantes”, afirma el estudiante de posgrado Jiaqi Zhang, becario del Centro Eric y Wendy Schmidt y coautor principal de un artículo sobre este marco de diseño experimental.

En el artículo, colaboran con ella la coautora principal, Divya Shyamal, estudiante de grado del MIT; y la autora principal, Caroline Uhler, profesora de Ingeniería Andrew y Erna Viterbi en EECS y el Instituto de Datos, Sistemas y Sociedad (IDSS) del MIT, quien también es directora del Centro Eric y Wendy Schmidt e investigadora del Laboratorio de Sistemas de Información y Decisión (LIDS) del MIT. La investigación se presentó recientemente en la Conferencia Internacional sobre Aprendizaje Automático.

Tratamientos simultáneos

Los tratamientos pueden interactuar entre sí de forma compleja. Por ejemplo, un científico que intenta determinar si un gen determinado contribuye a un síntoma específico de una enfermedad podría tener que centrarse en varios genes simultáneamente para estudiar sus efectos.

Para ello, los científicos utilizan lo que se conoce como perturbaciones combinatorias, donde aplican múltiples tratamientos a la vez al mismo grupo de células.

“Las perturbaciones combinatorias brindarán una red de alto nivel de cómo interactúan los diferentes genes, lo que proporciona una comprensión de cómo funciona una célula”, explica Zhang.

Dado que los experimentos genéticos son costosos y demandan mucho tiempo, el científico intenta seleccionar el mejor subconjunto de combinaciones de tratamientos para probar, lo que supone un gran desafío debido a la enorme cantidad de posibilidades.

Elegir un subconjunto subóptimo puede generar resultados sesgados al centrarse solo en combinaciones que el usuario seleccionó de antemano.

Los investigadores del MIT abordaron este problema de forma diferente, utilizando un marco probabilístico. En lugar de centrarse en un subconjunto seleccionado, cada unidad adopta aleatoriamente combinaciones de tratamientos según las dosis especificadas por el usuario para cada tratamiento.

El usuario establece los niveles de dosis según el objetivo de su experimento; por ejemplo, este científico quiere estudiar los efectos de cuatro fármacos diferentes en el crecimiento celular. El enfoque probabilístico genera datos menos sesgados porque no restringe el experimento a un subconjunto predeterminado de tratamientos.

Los niveles de dosis son como probabilidades, y cada célula recibe una combinación aleatoria de tratamientos. Si el usuario establece una dosis alta, es más probable que la mayoría de las células lo acepten. Si la dosis es baja, un subconjunto más pequeño de células lo aceptará.

A partir de ahí, la pregunta es cómo diseñamos las dosis para estimar los resultados con la mayor precisión posible. Aquí es donde entra en juego nuestra teoría —añade Shyamal—.

Su marco teórico muestra la mejor manera de diseñar estas dosificaciones para que se pueda aprender lo máximo posible sobre la característica o rasgo que se está estudiando.

Tras cada ronda del experimento, el usuario recopila los resultados y los incorpora al marco experimental. Este generará la estrategia de dosificación ideal para la siguiente ronda, y así sucesivamente, adaptándola activamente a lo largo de varias rondas.

Optimizar dosis, minimizar errores

Los investigadores demostraron que su enfoque teórico genera dosis óptimas, incluso cuando los niveles de dosis se ven afectados por un suministro limitado de tratamientos o cuando el ruido en los resultados experimentales varía en cada ronda.

En las simulaciones, este nuevo enfoque tuvo la tasa de error más baja al comparar los resultados estimados y reales de experimentos de múltiples rondas, superando a dos métodos de referencia.

En el futuro, los investigadores desean mejorar su marco experimental para considerar la interferencia entre unidades y el hecho de que ciertos tratamientos pueden generar sesgo de selección. También desean aplicar esta técnica en un entorno experimental real.

“Este es un nuevo enfoque para un problema muy interesante y difícil de resolver. Ahora, con este nuevo marco, podemos reflexionar más sobre la mejor manera de diseñar experimentos para diversas aplicaciones”, afirma Zhang.

Esta investigación está financiada, en parte, por el Programa de Oportunidades de Investigación Avanzada de Pregrado del MIT, Apple, los Institutos Nacionales de Salud, la Oficina de Investigación Naval, el Departamento de Energía, el Centro Eric y Wendy Schmidt del Instituto Broad y un Premio de Investigación Simons.

​Autor​