El aprendizaje automático puede ayudar a mejorar la producción de fármacos a partir de cultivos celulares mediante el ajuste y la cuantificación de experimentos con medios de cultivo celular. Ésa es la opinión de Bei-Wen Ying, PhD, investigador de la Universidad de Tsukuba en Japón.
Ying, que presentó en PEGS Europa en noviembre, cree que los experimentos para optimizar los medios de crecimiento celular deben ser reproducibles. Sin embargo, este no ha sido tradicionalmente el caso en las ciencias de la vida.
«Para los biólogos y científicos de la vida, mejorar los cultivos celulares para impulsar la producción (de medicamentos) es una especie de arte», explica.
«Podemos fabricar coches y cohetes complicados, pero ni siquiera podemos producir la célula más pequeña y, por lo tanto, para los biólogos de cultivos celulares, la mejora de la productividad (tradicionalmente depende) de su conocimiento y experiencia (personal)».
Enfoque basado en datos
Como ella explica, este enfoque práctico puede generar problemas. “No hay ninguna regla en la optimización media. Por eso es un arte”, explica.
Mientras que, por el contrario, el aprendizaje automático es un enfoque basado en datos para encontrar el medio más productivo entre innumerables combinaciones posibles, añade.
Durante los experimentos relacionados con la informática, cualquier experimento debe realizarse cuantitativamente de la misma manera cada vez.
«Es necesario cambiar la forma en que se llevan a cabo los experimentos biológicos, utilizando la ciencia de datos y el aprendizaje automático para garantizar que se realicen de forma controlada y predictiva», afirma Ying.
La implementación del aprendizaje automático requiere enormes cantidades de datos para que los analicen los algoritmos, lo que a su vez necesita robótica. El equipo de Ying realizó un experimento utilizando aprendizaje automático con datos recopilados por lectores de placas automatizados. Estos datos recopilados de placas de 96 pocillos contenían células en diferentes condiciones de cultivo.
El aprendizaje automático puede utilizar grandes conjuntos de datos para hacer predicciones que permitan elegir mejor las condiciones de los medios de cultivo, afirma. Por ejemplo, el equipo descubrió que existía un equilibrio entre la velocidad de crecimiento celular, la tasa de división celular y la concentración máxima de células.
«El modelo te dice que o necesitas más células o que crezcan rápidamente; no puedes tener ambas cosas», dice.
Además, el experimento modelo muestra que, para un crecimiento celular rápido, los sulfuros y/u otros componentes podrían ser más importantes como componente de la alimentación celular que la glucosa.
Como ella explica, estas predicciones pueden ayudar a optimizar y mejorar la productividad de las células en la fabricación y no serían posibles sin el aprendizaje automático.
«Si no trabajaras en estos estudios», dice, «pensarías que la glucosa como fuente de carbono (para las células) es lo mejor».
