Un investigador da Universidade da Coruña (UDC) acada 1,5 millóns de euros polo proxecto DIGIPRO, centrado no desenvolvemento de novas ferramentas que melloren a predición do cancro. O proxecto recibirá a prestixiosa bolsa Starting Grant, do Consello Europeo de Investigación (ERC, polas súas siglas en inglés). O equipo trata de crear novos modelos computacionais que permitan avances nos diagnósticos, sobre todo en casos de detección moi temperá da progresión do cancro.
Este fenómeno é un evento patolóxico crucial que consiste nun incremento da malignidade das células tumorais e que aumenta o risco clínico. A progresión do cancro maniféstase inicialmente como cambios na arquitectura espacial do tumor a nivel microscópico, que se poden observar tamén en fases máis avanzadas a escala macroscópica. Por exemplo, con cambios no tumor observados mediante imaxe médica e outros biomarcadores clínicos.
Non obstante, aínda que a progresión tumoral se manifesta dende un nivel microscópico a un macroscópico, a detección clínica adoita realizarse comezando por imaxes médicas macroscópicas (por exemplo, resonancias magnéticas). Despois destas, realízanse biopsias para analizar o tumor a nivel microscópico.
“Os protocolos clínicos actuais poden levar a unha detección tardía da progresión tumoral”, explica Lorenzo. Segundo o investigador, non teñen en conta a dinámica espacial e temporal (única para cada paciente) coa que sucede este fenómeno, xa que se descoñecen os mecanismos que o gobernan.
Así, o proxecto DIGIPRO busca desenvolver unha nova clase de modelos computacionais para investigar os mecanismos biofísicos que gobernan a progresión do cancro a diferentes escalas espaciais. “Dende o nivel microscópico de tecido ao macroscópico do órgano afectado”, explica.
Xemelgos dixitais
DIGIPRO tamén desenvolverá xemelgos dixitais de pacientes de cancro equipados con estes modelos para obter predicións personalizadas da progresión tumoral. Isto permitirá a detección deste fenómeno nunha fase microscópica temperá, empregando datos macroscópicos habituais en ámbito clínico (por exemplo, resonancias magnéticas, biomarcadores clínicos). Deste xeito, as tecnoloxías computacionais que se deseñarán en DIGIPRO permitirán predicir de forma personalizada cando un paciente pode ter un evento de progresión tumoral, o cal é crucial para a toma de decisións clínicas (por exemplo, cando realizar probas ou a selección de tratamentos).
O proxecto centrarase na progresión de cancro de próstata de nova diagnose e risco favorable. Porén, os investigadores agardan que os resultados do proxecto se poidan aplicar tamén a outros tipos de tumores.
Deste xeito, os descubrimentos sobre a bioloxía da progresión tumoral e as tecnoloxías de predición personalizada que se desenvolvan no proxecto poden supoñer un cambio de paradigma na xestión clínica de tumores no futuro. Así, pasarán do estándar actual, centradas na observación e baseadas en datos das poboacións, a unha nova estratexia que se poida predicir e personalizada para o cancro de cada paciente. Ademais, os modelos creados tamén poden axudar na investigación doutros fenómenos progresivos. Por exemplo, en medicina, co alzhéimer e a arteriosclerose, pero tamén noutros ámbitos como na enxeñaría.
Destacada traxectoria na aplicación das matemáticas
Guillermo Lorenzo é enxeñeiro de Camiños, Canais e Portos pola Universidade da Coruña (UDC), onde se doutorou na área de Métodos Computacionais en Enxeñaría. Agora, lidera un equipo de investigación en oncoloxía computacional dentro do Grupo de Métodos Numéricos en Enxeñaría, adscrito ao Centro de Innovación Tecnolóxica en Edificación e Enxeñería Civil (CITEEC).
A súa investigación céntrase en tres grandes liñas. Por un lado, comprender os mecanismos biofísicos que rexen o desenvolvemento e tratamento do cancro mediante modelos biomatemáticos. Por outro, desenvolver métodos computacionais precisos e eficientes para resolver estes modelos e axustalos cos datos dispoñibles de pacientes individuais. Finalmente, a súa intención é aplicar estas tecnoloxías computacionais para xerar predicións tumorais personalizadas que poidan apoiar a toma de decisións en oncoloxía clínica. Nos últimos anos, tamén comezou a investigar en enfoques híbridos de aprendizaxe mecanicista, que combinan modelos biomatemáticos con técnicas de intelixencia artificial. Estes métodos teñen importantes aplicacións en oncoloxía clínica. Por exemplo, o deseño de biomarcadores, a creación de clasificadores de risco ou o desenvolvemento de técnicas computacionais de alta velocidade para a predición tumoral.
Para Guillermo Lorenzo, a obtención dunha Starting Grant do ERC constitúe “un impulso decisivo para a miña traxectoria investigadora”. Considera que permitirá consolidar un equipo propio, dispoñer dos recursos necesarios para desenvolver o proxecto e avanzar na carreira científica.
