En los laboratorios de investigación de Microsoft alrededor del mundo, científicos computacionales, programadores, ingenieros y otros expertos tratan de descifrar uno de los problemas más complicados de la industria computacional, del diseño de sistemas y seguridad al cómputo cuántico y la visualización de datos.

Un subconjunto de esos científicos, ingenieros y programadores tiene una meta diferente: Ellos tratan de utilizar la ciencia de la computación para resolver uno de los retos más complejos y mortales que han enfrentado los humanos: el cáncer.

Y en su mayoría, lo realizan con algoritmos y computadoras en lugar de tubos de ensaye y vasos de precipitados.

“Tratamos de cambiar la manera en que se hace a diario la investigación en biología”, comentó Jasmin Fisher, bióloga por entrenamiento que trabaja en el grupo de principios y herramientas de programación en el laboratorio de Microsoft Cambridge en Reino Unido.

Un equipo de investigadores utiliza aprendizaje automático y procesamiento de lenguaje natural para ayudar a los oncólogos líderes del mundo a descubrir el tratamiento contra el cáncer más efectivo e individualizado, al brindar una manera intuitiva de clasificar todos los datos de investigación disponibles.

Otra manera es emparejar el aprendizaje con la visión de cómputo para dar a los radiólogos un entendimiento más detallado del progreso de los tumores de sus pacientes.

Además, otro grupo de investigadores ha creado poderosos algoritmos que ayudan a los científicos a entender cómo se desarrolla el cáncer y qué tratamientos funcionarán mejor para combatirlo.

Y otro equipo trabaja en ambiciosos esfuerzos que un día podrían permitir a los científicos programar células para combatir enfermedades, incluyendo el cáncer.

Dos enfoques centrales de ciencias de la computación

Aunque los proyectos individuales varían de manera considerable, la filosofía global de Microsoft hacia la cura contra el cáncer se enfoca en dos enfoques básicos, comentó Jeannette M. Wing, vicepresidenta corporativa de Microsoft a cargo de los laboratorios de investigación básica de la empresa.

Un enfoque está basado en la idea de que el cáncer y otros procesos biológicos son sistemas de procesamiento de información. A través de ese enfoque, las herramientas que son utilizadas para modelar y razonar sobre los procesos computacionales, como programación de lenguajes, compiladores y revisores de modelos, son utilizados para modelar y razonar sobre los procesos biológicos.

El otro enfoque está más enfocado en los datos. Está basado en la idea de que los investigadores pueden aplicar técnicas como aprendizaje automático a la plétora de datos biológicos que de pronto están disponibles, y utiliza esas sofisticadas herramientas de análisis para entender y tratar mejor el cáncer.

Ambos enfoques comparten algo en común, que incluye la filosofía central de que el éxito depende tanto de que los científicos computacionales como los biólogos lleven su experiencia al problema.

“La colaboración entre biólogos y científicos computacionales es en realidad la clave para hacer este trabajo”, comentó Wing.

Wing mencionó que Microsoft tiene una Buena razón para realizar inversiones amplias y audaces para utilizar la ciencia de la computación para enfrentar al cáncer. Se trata de mantener la misión principal de la compañía.

“Si hablas de impulsar a cada persona y organización para que consigan más, este es el primer paso en ese camino”, comentó.

Más allá de esto, mencionó, la extensa inversión de Microsoft en cómputo en la nube es una apuesta natural para un campo que necesita bastante poder de cómputo para resolver grandes problemas.

A un largo plazo, comentó, hace sentido para Microsoft, invertir en maneras en las que pueda brindar herramientas a los clientes, sin importar qué plataforma de cómputo elijan, incluso si, algún día, esa plataforma es una célula viva.

“Si las computadoras del futuro no van a ser fabricadas sólo en silicio y podrían estar hechas de materia viva, nos conviene asegurarnos que entendemos lo que significa programar sobre esas computadoras”, comentó.

Organizar el conocimiento para encontrar un mejor tratamiento

Los esfuerzos del equipo de investigación también llegaron a grandes avances comunes en el entendimiento del rol que la genética juega tanto en adquirir como en tratar el cáncer. En retorno, eso estimula un foco aún más fuerte para tratar cada caso de cáncer de una manera personalizada, algo que en ocasiones se nombra como medicina de precisión.

“En lo que respecta al tratamiento del cáncer estamos en una revolución”, mencionó David Heckerman, un distinguido científico y director senior del grupo de genómicos en Microsoft. “Incluso hace 10 años la gente pensaba que tratabas el tejido: Tienes cáncer cerebral, recibes tratamiento para el cáncer cerebral. Tienes cáncer de pulmón, recibes tratamiento para el cáncer de pulmón. Ahora, sabes que es igual o incluso más importante tratar los genómicos del cáncer, por ejemplo, qué genes están mal en el genoma”.

Esa investigación ha ayudado a la par de avances recientes en la capacidad de mapear de manera más sencilla y costeable el genoma humano y otros materiales genéticos. Esto ha brindado a los científicos una vasta información para entender el cáncer y desarrollar tratamientos más personalizados y efectivos, pero la amplia cantidad de datos también presenta una gran cantidad de retos.

“Hemos llegado a un punto en el que nos ahogamos en información. Podemos medir mucho, y porque podemos, lo hacemos”, comentó Fisher. “¿Cómo tomas esa información y la conviertes en conocimiento? Esa es otra historia. Hay un salto enorme aquí, entre información y datos, y conocimiento y entendimiento”.

Los investigadores comentan que esa es un área donde los científicos de computación pueden ayudar mejor a las ciencias biológicas. Uno de los enfoques más promisorios involucra una rama de la inteligencia artificial llamada aprendizaje automático para realizar de manera automática el trabajo preliminar que puede hacer engorrosa a la medicina de precisión.

En un escenario más básico, un sistema de aprendizaje automático puede hacer cosas como identificar a un gato en una foto basado en imágenes previas de gatos que ha visto. En el campo de la investigación de cáncer, estas técnicas son implementadas para organizar y clasificar millones de piezas de investigación y datos médicos.

“Estas son nuestras fortalezas, la inteligencia artificial y el aprendizaje automático”, comentó Hoifung Poon, investigador del laboratorio de Microsoft en Redmond, Washington, que utiliza una técnica llamada lectura automática para ayudar a los oncólogos a encontrar la información más reciente sobre tratamientos efectivos contra el cáncer para pacientes individuales.

Otra gran ventaja: el cómputo en la nube. Utilizar herramientas como la plataforma de cómputo en la nube de Azure, los investigadores son capaces de ofrecer a los biólogos esos tipos de enfoques incluso si los expertos médicos no tienen sus propias computadoras poderosas, al hospedar las herramientas en la nube para cualquiera pueda acceder a ellas a través de internet.

Los investigadores de Microsoft comentan que la empresa también está bien posicionada para liderar los esfuerzos de cómputo sobre el cáncer debido a su extensa historia como una empresa de software que brinda una plataforma.

“Si uno mira a la combinación de cosas que Microsoft hace bien, entonces hace perfecto sentido que Microsoft esté en esa industria”, comentó Andrew Phillips, que lidera el grupo de investigación computacional biológica en el laboratorio de Microsoft en Cambridge, Reino Unido.

En su campo en específico, Phillips comentó que los investigadores se benefician del historial de Microsoft como innovador en software.

“Podemos utilizar métodos que hemos desarrollado para computadoras de programación, que nos permiten programar biología, y luego desbloquear incluso más aplicaciones e incluso mejores tratamientos”, comentó.

Claro que, ninguna de esas herramientas ayudará a combatir el cáncer y salvar vidas a menos que sean accesibles y entendibles para biólogos, oncólogos y otros investigadores contra el cáncer.

Los investigadores de Microsoft comentan que han pasado algunas complicaciones para hacer que estos sistemas sean fáciles de utilizar, incluso para personas sin ningún tipo de antecedente, o interés particular, en tecnología y ciencias de la computación. Esto incluye todo desde aprender a hablar el lenguaje de los doctores y biólogos a diseñar herramientas basadas en computadoras que imiten los sistemas que la gente utiliza en sus laboratorios.

“Siempre hablamos de construir herramientas para ayudar a los doctores», comentó Aditya Nori, investigador senior que se especializa en lenguajes de programación y aprendizaje automático y que trabaja en sistemas para evaluar los cambios en los tumores.

Una vez que se puede construir un programa de cómputo que describe el comportamiento saludable de una célula, y se compara con el de una célula enferma, se puede descubrir una manera de solucionar ese comportamiento no saludable.

“Si descubres cómo construir esos programas y luego los depuras, es un problema resuelto”, mencionó Fisher.

Analizador de modelo biológico

Eso suena bastante simple, pero por supuesto, llegar ahí en verdad es algo complicado.

Un enfoque que Fisher y su equipo toman se llama Bio Model Analyzer (BMA, por sus siglas en inglés, Analizador de modelo biológico). Se trata de una herramienta basada en la nube que permite a los biólogos modelar cómo las células interactúan y se comunican entre ellas, y las conexiones que llevan a cabo.

El sistema crea un modelo computarizado que compara los procesos biológicos de una célula saludable con los procesos anormales que ocurren cuando ataca la enfermedad. Esto, podría permitir que los científicos vean las interacciones entre los millones de genes y proteínas en el cuerpo humano que llevan al cáncer, y para elaborar la manera mejor y menos dañina de brindar un tratamiento personalizado para ese paciente.

“Utilizo BMA para entender diferentes tipos de cáncer, entender el proceso por el que se convierten en cáncer, entender las comunicaciones que llevan a cabo”, comentó Ben Hall, Asociado Investigador de la Real Sociedad de Investigadores en Cambridge, Reino Unido, que trabaja con Fisher en el proyecto.

Hall comentó que BMA tiene muchos usos, entre los que se encuentra descubrir cómo detectar el cáncer de manera temprana y entender cómo tratarlo de mejor manera a través de modelar qué medicinas serán las más efectivas y en qué punto el cáncer podría volverse resistente a estas.

Esta es una manera en la que BMA podría funcionar: Digamos que un paciente tiene una rara y en ocasiones fatal forma de cáncer cerebral. A través de BMA, los médicos podrían ingresar en el sistema toda la información biológica sobre ese paciente. Luego, podrían utilizar ese sistema para realizar todo tipo de experimentos, comparar la información del cáncer del paciente con la de un paciente sano, por ejemplo, o simular cómo el sistema del paciente podría responder a diferentes medicamentos.

Ese tipo de cómputo podría ser imposible de hacer con pluma y papel para una persona, o incluso con un simple programa de cómputo, debido a que hay muchas variables dentro de los millones de moléculas, proteínas y genes que trabajan en conjunto en el cuerpo humano. Para crear los tipos de soluciones que Fisher vislumbra, se requieren poderosos modelos computacionales que sean capaces de construir esos inmensos y complejos modelos y que corran a través de posibles soluciones contra anomalías.

La posibilidad de correr estos tipos de experimentos “en silicio” (o con computadoras) en lugar de hacerlo con pluma y papel o tubos de ensaye y vasos de precipitados, permite a los investigadores probar de manera rápida muchas más posibilidades. Esto les brinda un mejor entendimiento sobre cómo se desarrolla, evoluciona e interactúa el cáncer con el resto del cuerpo.

“Creo que va a acelerar la investigación porque somos capaces de probar muchas más posibilidades de las que podríamos probar en el laboratorio”, comentó Jonathan Dry, científico principal en la empresa farmacéutica AstraZeneca, cuyo equipo colaboró con el de Fisher.

En el pasado, comenta Dry, la auténtica dificultad de probar cualquier hipótesis significaba que los investigadores tenían que enfocarse en sus favoritas y realizar conjeturas informadas sobre lo que podría ser más promisorio. Un sistema como BMA les permite probar todo tipo de ideas, lo que hace más probable que encuentren las correctas, y menos probable que se pierdan a los candidatos ocultos.

“Si tuviéramos que adentrarnos y probar de manera experimental cada hipótesis, sería casi imposible hacerlo”, mencionó Dry. “Esos modelos nos dan un sentido, literal, de todas las posibilidades”.

Mejorar y personalizar el tratamiento del cáncer

Microsoft y AstraZeneca han utilizado BMA para entender mejor la interacción y resistencia a las drogas en pacientes con un cierto tipo de leucemia. Con BMA, los dos equipos de investigación fueron capaces de entender mejor por qué varios pacientes respondieron de manera diferente a ciertos tratamientos.

Dry comentó que BMA es una gran promesa para enfoques más personalizados para el tratamiento del cáncer o la medicina de precisión. Los investigadores esperan que un sistema como BMA pueda permitir, de manera eventual, a los investigadores y oncólogos ver a detalle el caso del cáncer de una persona y también realizar pruebas que consideren otros factores que pudieran impactar el tratamiento, como si el paciente tiene otra enfermedad o si toma medicamentos que no son contra el cáncer que pudieran interactuar con las medicinas contra el cáncer.

“En verdad reconoce que cada paciente es un individuo y puede haber una vasta heterogeneidad”, mencionó Dry.

Un sistema de ciencias de la computación que hace sentido a un biólogo

Fisher cree que sistemas como BMA tienen la posibilidad de revolucionar cómo es entendido el cáncer, pero el éxito sólo es posible si los biólogos se sienten cómodos utilizándolos.

David Benque, un diseñador que ha trabajado de manera extensa en BMA, comentó que el sistema fue construido para ser tan familiar y entendible para los biólogos como fuera posible, Benque trabajó por años para crear herramientas que imitaran de manera visual lo que los científicos podrían utilizar en un laboratorio y que utilizaran un lenguaje que los biólogos pudieran entender.

Fisher comentó que es imperativo que sistemas como este sean “amigables con los biólogos”. De otro modo, ella menciona, los avances requeridos para resolver el cáncer no serían posibles.

“Todo mundo se da cuenta que hay una necesidad por el cómputo en la investigación del cáncer. Una cosa es entender eso y otra cosa es convencer a un doctor de que utilice esas herramientas”, menciona Fisher.

Si son desarrolladores que crean una nueva pieza de software, es probable que escriban su código en lo que los científicos computacionales gustan llamar una forma de principios: al utilizar un lenguaje de programación y otros procesos formales para crear un sistema que siga las reglas del cómputo.

Neil Dalchau quiere hacer lo mismo para la biología. Él es parte de un equipo que trata de hacer cómputo en células en lugar de hacerlo en silicio.

Esa es una clara mejora sobre muchos tratamientos actuales contra el cáncer, que terminan destruyendo células sanas en el proceso de combatir a las células cancerígenas.

Pasos tempranos, pero promisorios

Phillips advierte que los científicos computacionales se encuentran todavía en etapas muy tempranas de esta investigación y esos tipos de metas a largo plazo aún están lejos.

“Se trata de una aplicación final”, mencionó.

Un reto grande y obvio es que los sistemas biológicos, que incluyen a nuestros cuerpos, son más misteriosos que el hardware (computadoras) que creamos para que corran software.

“Construimos la computadora. Sabemos cómo funciona. No construimos la célula y muchos de sus complejos funcionamientos internos se mantienen como un misterio para nosotros. Así que necesitamos entender cómo realiza el cómputo la célula para poder programarla”, mencionó Phillips. “Necesitamos desarrollar los métodos y el software para analizar y programar células”.

Tomen el cáncer como ejemplo. Sara-Jane Dunn, científica que también trabaja en el grupo de cómputo biológico, comentó que se puede pensar en el cáncer como un programa biológico que funciona mal, una célula saludable que tiene un bug que provocó un mal funcionamiento. Y en el mismo sentido, ella comentó, se puede pensar en el sistema inmune como la maquinaria que tiene la capacidad de arreglar algunos, pero no todos los bugs.

Los científicos han aprendido mucho sobre lo que causa el cáncer y qué activa el sistema inmune, pero Dunn comentó que aún se está en una etapa temprana, y aún queda mucho trabajo por hacer. Si su equipo llega a un punto donde ellos entienden esos sistemas tan bien como entienden cómo arrancar Microsoft Word en una PC, es probable que sean capaces de equipar al sistema inmune para que monte por sí mismo una respuesta poderosa para el cáncer.

“Si queremos ser capaces de programar la biología, debemos ser capaces de entender qué procesa la biología en primer lugar”, mencionó. “Ahí es donde creo que podemos tener mayor impacto”.

¿La capacidad de programar la biología como programamos computadoras un esfuerzo innovador? Phillips cree que es una meta ambiciosa a largo plazo, pero también ve un camino hacia el éxito.

“Como los proyectos exploratorios e innovadores, sabemos que esto es posible a nivel técnico”, mencionó. “Ahora se trata de hacerlo realidad”.

Millones de personas a nivel mundial serán diagnosticadas con cáncer este año. Para algunos, los expertos de instituciones líderes en temas de cáncer se reunirán en lo que se llaman juntas sobre tumores moleculares, para revisar ese historial de un paciente individual y proponer el mejor plan de tratamiento personalizado basados en sus diagnósticos de cáncer y composición genética.

Hoifung Poon quiere democratizar la junta de tumor molecular y trabaja con un equipo de investigadores para crear una herramienta para llevarlo a cabo.

Se llama Proyecto Hannover. Es un enfoque dirigido por datos que utiliza una rama de la inteligencia artificial llamada aprendizaje automático para realizar de manera automática todo el trabajo preliminar que hace tan difícil para los expertos en cáncer, evaluar cada caso de manera individual.

“Entendemos que el cáncer en ocasiones no es causado por una sola mutación. En lugar de eso, se deriva de complejas interacciones de cientos de diferentes mutaciones, lo que significa que necesitas dar un vistazo a todo lo que sabes sobre el genoma”, comentó Poon.

Hacer esto puede requerir examinar millones de piezas de información fragmentada para encontrar todo el terreno común aplicable a esa persona y a ese caso de cáncer. Para un ocupado oncólogo que maneja muchos pacientes, esto simplemente no es posible.

Es por eso que los investigadores de Microsoft trabajan en un sistema que pueda aumentar la manera en la que los doctores afrontan la tarea hoy. El sistema está diseñado para clasificar de manera automática a través de toda esa información fragmentada para encontrar las piezas de datos más relevantes, para dejar a los expertos en tumores con más tiempo para utilizar su experiencia en descubrir el mejor plan de tratamiento para los pacientes.

La meta final es ayudar a los doctores a realizar toda la investigación y luego presentar una herramienta basada en cómputo en la nube de Microsoft Azure que permita a los doctores modelar qué tratamientos podrían funcionar mejor basados en la información que han reunido.

“Si podemos utilizar esta base de conocimientos para presentar los resultados más relevantes de la investigación para cada paciente específico, después un oncólogo regular puede dar un vistazo y tomar la mejor decisión”, comentó Ravi Pandya, arquitecto principal de software en Microsoft, que también trabaja en el Proyecto Hanover.

Encontrar una aguja en un pajar con Literome

El Proyecto Hanover comenzó con una herramienta llamada Literome, un sistema basado en el cómputo en la nube que clasifica millones de documentos de investigación para encontrar la investigación genómica que podría ser aplicable para un diagnóstico individual de enfermedad.

Esta es una tarea que podría ser difícil que hicieran los oncólogos por su cuenta debido a su propio volumen y se complica más por el hecho de que los investigadores no siempre son consistentes en la manera en que describen su trabajo. Esto significa que muchos documentos de investigación que se enfocan en la misma información genética tal vez no tengan lenguaje duplicado.

“El problema es que la gente es muy creativa en descubrir una manera diferente de decir la misma cosa”, mencionó Poon.

Para construir Literome, Poon y sus colegas utilizaron aprendizaje automático para desarrollar herramientas de procesamiento de lenguaje natural que requieren sólo una pequeña cantidad de conocimiento disponible para crear un modelo sofisticado para encontrar esas diferentes descripciones de un conocimiento similar.

Druker piensa en este tipo de colaboración como un diálogo de dos vías: Su equipo de expertos puede brindar la hipótesis que ayude a los científicos computacionales a saber qué buscar en los datos. Por su parte, los científicos computacionales pueden realizar el análisis necesario para ayudarles a comprobar o desechar sus hipótesis.

Esto les puede ayudar a desarrollar de manera más rápida los tratamientos y terapias necesarios.

“Siempre he creído que los datos tratan de decirnos cuál es la respuesta, pero necesitamos saber cómo escucharlos”, comentó. “Ahí es donde entra la computación”.

Druker cree que estamos en el inicio de entender cómo los datos pueden ayudar a informar a la investigación contra el cáncer. Junto con los datos genómicos, comentó, los investigadores también deberían comenzar a revisar a los que él llama los otros “ómicos”, entre los que se encuentran los proteómicos, o estudio de las proteínas, y los metabolómicos, o el estudio de los procesos químicos que involucran a los metabolitos.

“Tendremos que llegar más allá del genoma”, mencionó. “El genoma nos dice mucho, pero no nos dice todo”.

Poon comentó que aún se encuentran en las etapas tempranas de la investigación, pero ya han comenzado a ver cómo podría cambiar, y salvar, vidas.

“Estamos en este atractivo momento donde recibimos un vistazo de este en verdad promisorio futuro, pero aún hay mucho trabajo por hacer”, comentó.

Cuando los radiólogos quieren recibir la mejor y más precisa imagen de lo que sucede dentro del cuerpo de un paciente, en ocasiones se dirigen a equipo de última generación que cuesta millones de dólares y que puede generar imágenes con un alto nivel de detalle.

¿Y una vez que obtienen esas imágenes? En muchos casos, la cosa con más tecnología que utilizarán para leerlas es el ojo humano.

“La observación visual funciona muy bien para el diagnóstico”, comentó Antonio Criminisi, un experto en aprendizaje automático y visión computacional que lidera la investigación radiónica en el laboratorio de Microsoft en Cambridge, Reino Unido. “Los expertos radiólogos pueden observar una imagen, digamos un escaneo del cerebro de alguien, y ser capaces de decir en dos segundos, ‘Sí, hay un tumor. No, no hay un tumor’”.

De manera simple, los radiólogos necesitan de tecnología que les ayude a seguir el paso de la tecnología.

“Necesitamos algo de ayuda para que nos presente los datos de manera que nos facilite analizar ese enorme número de imágenes”, comentó Maskell.

Ahí es donde entra el equipo de Criminisi. El enfoque dirigido por datos del equipo se basa en un proyecto de investigación que busca utilizar la visión computacional y el aprendizaje automático para aumentar la experiencia de los radiólogos al brindarles mediciones más detalladas y consistentes.

El sistema en el que trabajan los investigadores podría evaluar, de manera eventual, escaneos 3D pixel por pixel para decirle al radiólogo con exactitud qué tanto el tumor ha crecido, se ha encogido, o cambiado de forma, desde el último escaneo.

También podría brindar información sobre cosas como densidad del tejido, dar a los radiólogos un mejor sentido de si algo es más parecido a un quiste o a un tumor. Y podría brindar un análisis más detallado de la salud de las células que rodean al tumor.

“Hacer eso sólo con los ojos es casi imposible”, mencionó Criminisi.

La meta no es reemplazar la experiencia de los radiólogos, se trata de permitirles hacer mejor su trabajo.

“Siempre existirá una necesidad por la interpretación humana”, comentó Maskell. “Las computadoras y las ciencias de la computación nos permitirán tomar mejores decisiones”.

Allison Linn es escritora senior en Microsoft. Síganla en Twitter.

Fotos por Jonathan Banks / © Microsoft