La secuenciación metagenómica (mNGS) es una poderosa herramienta de diagnóstico para detectar patógenos causantes en pruebas microbiológicas clínicas. La clasificación rápida y precisa de las secuencias metagenómicas es un procedimiento crítico para la identificación de patógenos en el paso de laboratorio seco de las pruebas mNGS. Sin embargo, este paso crucial puede mejorarse clasificando las secuencias en un plazo clínicamente relevante.

Para hacer frente a este reto, un equipo de BGI Genomics dirigido por Xuebin Wang ha lanzado recientemente GPMeta, un método ultrarrápido de detección de patógenos, y ha publicado estos aspectos destacados en Briefings in Bioinformatics.

GPMeta puede identificar patógenos de forma rápida y precisa a través de datos de secuenciación mNGS complejos y masivos. Utilizando conjuntos de datos simulados y conjuntos de datos de secuenciación metagenómica de muestras clínicas, los resultados se compararon con herramientas utilizadas por la comunidad de investigadores bioinformáticos como Bowtie2, Bwa, Kraken2 y Centrifuge.

Los resultados muestran que GPMeta no sólo tiene una mayor precisión, sino que también exhibe una velocidad con un incremento de velocidad significativo. Además, GPMeta ofrece un algoritmo de agrupamiento GPMetaC, un modelo estadístico para agrupar y volver a puntuar alineaciones ambiguas con el fin de mejorar la discriminación de secuencias altamente homólogas de genomas microbianos con una identidad nucleotídica media >95%. Estos resultados subrayan el papel clave de GPMeta en el desarrollo de la prueba mNGS en enfermedades infecciosas que requieren tiempos de respuesta rápidos.

Antecedentes

La detección más rápida y temprana de los patógenos causantes es fundamental para una terapia antibiótica precisa en lugar de un tratamiento empírico. Puede detectar simultáneamente casi todos los microorganismos patógenos nuevos y conocidos en el cuerpo del paciente en una sola prueba y tiene enormes aplicaciones potenciales en el diagnóstico de infecciones.

La detección de mNGS consta de dos componentes: las manipulaciones experimentales en laboratorio húmedo, que incluyen el preprocesamiento de muestras clínicas, la extracción de ácido nucleico total, la preparación de bibliotecas y la secuenciación, y el análisis bioinformático en laboratorio seco, que incluye el preprocesamiento de datos de secuenciación brutos, la eliminación de secuencias de huéspedes humanos, la alineación de secuencias con la base de datos curada de patógenos y la clasificación taxonómica de secuencias microbianas.

El análisis bioinformático es el último paso crucial en la detección de mNGS, que debe completarse con rapidez y precisión para acelerar todo el proceso de detección. Sin embargo, existe una necesidad urgente de nuevas estrategias para acelerar el análisis bioinformático de la identificación de patógenos.

Para hacer frente a este reto, GPMeta utiliza un esquema de índice hash sucinto y admite múltiples GPU para llevar a cabo en bases de datos divididas de forma simultánea, lo que satisface una necesidad creciente de la capacidad para hacer frente a un número cada vez mayor de genomas microbianos.

En el conjunto de datos de 25 millones de lecturas, GPMeta y GPMetaC sólo necesitan menos de 3 minutos para completar todo el análisis de detección.

En el conjunto de datos de 110 millones de lecturas (volumen de datos de detección mNGS convencional), GPMeta y GPMetaC sólo necesitan 4 minutos para completar todo el análisis de detección.

Cuando se aplicó a la biblioteca completa de patógenos de 190Gb, GPMeta y GPMetaC la aceleraron 39-50 y 12-35 veces respectivamente en comparación con Bwa y Bowtie2.

La detección completa y el análisis GPMeta son 18 veces y 12 veces más rápidos que Bwa y Bowtie2 respectivamente.

GPMeta admite múltiples GPUs para realizar el alineamiento y la clasificación taxonómica de secuencias microbianas en bases de datos divididas simultáneamente y fusiona automáticamente los resultados de múltiples sub-bases de datos, lo que resulta significativo para mantenerse al día con la rápida expansión de la base de datos de genomas microbianos. Para sacar el máximo partido de GPMeta, es necesario estudiar más a fondo cómo integrarla mejor y con mayor facilidad en las prácticas clínicas.

Abril 26/2023 (EurekaAlert!) – Tomado de News Releases  Copyright 2023 by the American Association for the Advancement of Science (AAAS) 

Traducción realizada con la versión gratuita del traductor www.DeepL.com/Translator

Durante la formación de los cirujanos, es necesaria la intervención y supervisión se médicos más experimentados que les orienten sobre la correcta utilización de las técnicas.  Esto podría cambiar gracias a un nuevo sistema de inteligencia artificial desarrollado por investigadores de Caltech y urólogos del Keck Medicine of USC que pretende proporcionar a los cirujanos información valiosa sobre la calidad de su trabajo.

El objetivo de este nuevo Sistema de Inteligencia Artificial Quirúrgica (SAIS) es proporcionar a los cirujanos evaluaciones objetivas de su rendimiento que puedan mejorar su trabajo y, por extensión, los resultados de sus pacientes. Cuando se le proporciona un vídeo de una intervención quirúrgica, SAIS puede identificar qué tipo de cirugía se está realizando y la calidad con la que la ha ejecutado un cirujano.

El sistema se presentó a través de una serie de artículos en las revistas Nature Biomedical Engineering, Digital Medicine y Communications Medicine, publicados simultáneamente a finales de marzo de 2023.

«En entornos de alto riesgo como la cirugía robótica, no es realista que la IA sustituya a los cirujanos humanos a corto plazo», afirma Anima Anandkumar, catedrática Bren de Informática y Ciencias Matemáticas y autora principal de los estudios. «En su lugar, nos preguntamos cómo la IA puede mejorar de forma segura los resultados quirúrgicos para los pacientes, y de ahí, nuestro enfoque en hacer que los cirujanos humanos sean mejores y más eficaces a través de la IA».

SAIS se entrenó utilizando un gran volumen de datos de vídeo anotados por profesionales médicos. La actuación de los cirujanos se evaluó hasta el nivel de los movimientos individuales discretos, es decir, sujetar una aguja, clavarla en el tejido y retirarla del tejido. Tras la formación, se encargó a SAIS que revisara y evaluara la actuación de los cirujanos durante una amplia gama de procedimientos utilizando vídeos de diversos hospitales.

«SAIS tiene el potencial de proporcionar a los cirujanos información precisa, coherente y escalable», afirma Dani Kiyasseh, autor principal de los estudios, antiguo investigador postdoctoral en Caltech y ahora ingeniero sénior de IA en Vicarious Surgical. Según los investigadores, se espera que SAIS proporcione a los cirujanos orientación sobre las habilidades que deben mejorar.

Para que la herramienta sea más útil para los cirujanos, el equipo ha desarrollado la capacidad de la IA para justificar sus evaluaciones. Ahora, la IA puede informar a los cirujanos sobre su nivel de destreza y proporcionarles información detallada sobre los motivos que le han llevado a realizar esa evaluación señalando vídeos concretos.

«Hemos podido demostrar que las explicaciones de la IA coinciden a menudo con las que habrían dado los cirujanos», afirma Kiyasseh. «Las explicaciones fiables basadas en IA pueden allanar el camino para proporcionar retroalimentación cuando los cirujanos colegas no están disponibles de inmediato».

Al principio, los investigadores que probaron SAIS observaron que el sistema adolecía de un sesgo involuntario, ya que a veces la IA calificaba a los cirujanos como más o menos hábiles de lo que indicaría su experiencia, basándose únicamente en el análisis de sus movimientos generales. Para resolver este problema, los investigadores guiaron el sistema de IA para que se centrara exclusivamente en los aspectos pertinentes del vídeo quirúrgico. Este enfoque mitigó, aunque no eliminó, el sesgo, que los investigadores siguen estudiando.

«En la actualidad, la información quirúrgica derivada de los humanos no es objetiva ni escalable», afirma Andrew Hung, urólogo de la Facultad de Medicina Keck de la USC y profesor asociado de urología de dicha facultad. «La información derivada de la IA, como la que ofrece nuestro sistema, representa una gran oportunidad para proporcionar a los cirujanos información práctica».

Abril 20/2023 (MedicalXpress) – Tomado de Surgery – Health Informatics https://medicalxpress.com/news/2023-04-ai-tool-surgeon.html Copyright Medical Xpress 2011 – 2023 powered by Science X Network.

Traducción realizada con la versión gratuita del traductor www.DeepL.com/Translator

Investigadores de la Universidad de Finlandia Oriental, la Universidad de Turku y la Universidad de Tampere han desarrollado un método basado en inteligencia artificial para la tinción virtual de muestras de tejido histopatológico como parte del consorcio nórdico ABCAP. La tinción química ha sido la piedra angular del estudio de la histopatología durante más de un siglo y se aplica ampliamente, por ejemplo, en el diagnóstico del cáncer.

«La tinción química hace visible la morfología de las secciones de tejido casi transparentes y de bajo contraste. Sin ella, analizar la morfología de los tejidos es casi imposible para la visión humana. La tinción química es irreversible y, en la mayoría de los casos, impide utilizar la misma muestra para otros experimentos o mediciones», explica la investigadora universitaria y vicedirectora del Instituto de Biomedicina de la Universidad de Finlandia Oriental Leena Latonen, que dirigió la parte experimental del estudio.

El método de inteligencia artificial desarrollado en este estudio produce imágenes computacionales que se asemejan mucho a las producidas por el proceso real de tinción química. Esta imagen teñida virtualmente puede utilizarse para inspeccionar la morfología de los tejidos. La tinción virtual reduce tanto la carga química como el trabajo manual necesario para el procesamiento de las muestras, al tiempo que permite utilizar el tejido para otros fines distintos de la propia tinción.

El punto fuerte del método de tinción virtual propuesto es que no requiere ningún hardware o infraestructura especial más allá de un microscopio óptico normal y un ordenador adecuado.

«Los resultados son muy aplicables. Quedan muchos temas por investigar y los métodos computacionales aún pueden mejorarse. Sin embargo, ya podemos vislumbrar varias áreas de aplicación en las que la tinción virtual puede tener un gran impacto en la histopatología», afirma el profesor asociado Pekka Ruusuvuori, de la Universidad de Turku, que dirigió la parte computacional del estudio.

Investigación pionera con financiación internacional

Uno de los factores clave que hicieron posible el estudio fue la financiación del consorcio obtenida de la convocatoria transnacional conjunta ERAPerMed. El consorcio ABCAP está formado por grupos de investigación nórdicos que desarrollan diagnósticos del cáncer de mama basados en inteligencia artificial con vistas a la medicina personalizada, y está financiado por ERAPerMed, la Unión Nórdica del Cáncer y la Academia de Finlandia. Tanto Latonen como Ruusuvuori dirigen sus propios subproyectos.

«Esta investigación es verdaderamente interdisciplinar. Sin la financiación del consorcio, sería muy difícil encontrar recursos suficientes tanto para el trabajo experimental de laboratorio como para el esfuerzo computacional que permiten estudios como éste», reconocen Ruusuvuori y Latonen.

Esta investigación interdisciplinar se basa en conocimientos de biología tisular, procesos histológicos, informática de bioimágenes e inteligencia artificial. La primera parte del estudio en dos fases se centró en la optimización de los pasos de procesamiento de muestras de tejidos y obtención de imágenes, y corrió a cargo de la investigadora doctoral Sonja Koivukoski, de la Universidad de Finlandia Oriental. La evaluación sistemática de la viabilidad histológica fue un componente único del estudio.

«El desarrollo de métodos computacionales mediante inteligencia artificial carece a menudo de una evaluación adecuada de la viabilidad desde la perspectiva del usuario final. Esto puede llevar a que se desarrollen y publiquen métodos que finalmente no se utilizan realmente en la práctica. Por tanto, es especialmente importante combinar los conocimientos computacionales y los basados en el dominio ya en la fase de desarrollo, como se hizo en nuestro estudio», afirman Latonen y Koivukoski.

Gran potencial de los métodos computacionales

Las redes neuronales profundas que aprenden a partir de grandes volúmenes de datos han transformado rápidamente el campo del análisis biomédico de imágenes. Además de las tareas tradicionales de análisis de imágenes, como su interpretación, estos métodos también son muy adecuados para las transformaciones de imagen a imagen. La tinción virtual es un ejemplo de este tipo de tareas, como se demostró con éxito en las dos partes publicadas del trabajo. La segunda parte se centró en la optimización de la tinción virtual basada en redes neuronales generativas adversariales, con el investigador doctoral Umair Khan, de la Universidad de Turku, como desarrollador principal.

«Las redes neuronales profundas son capaces de rendir a un nivel que no éramos capaces de imaginar hace un tiempo. La tinción virtual basada en inteligencia artificial puede tener un gran impacto hacia un procesamiento de muestras más eficiente en histopatología», afirma Khan.

Además de los algoritmos de inteligencia artificial, la clave del éxito fue la disponibilidad de servicios informáticos de alto rendimiento a través del CSC.

«En Finlandia tenemos una infraestructura excelente para la computación paralela de alto rendimiento. Una investigación de alta carga computacional como ésta no sería posible sin la capacidad que ofrece el CSC», afirma Ruusuvuori.

Los resultados del estudio se publicaron en dos revistas internacionales revisadas por pares, Laboratory Investigation y Patterns.

Abril 14/2023 (EurekAlert!) – Tomado de la Selección de Medicine and Health. Copyright 2023 by the American Association for the Advancement of Science (AAAS). Traducido al español por DeepL Traductor. Copyright 2023 DeepL.

Los investigadores estadounidenses David Baker y John Jumper y el británico Demis Hassabis, que han revolucionado el estudio y el diseño de proteínas con inteligencia artificial (IA), han sido galardonados con el Premio Fronteras del Conocimiento de la Fundación BBVA en la categoría de Biología y Biomedicina. Read more

Un equipo del Boston College, en Estados Unidos, ha realizado un análisis detallado de neuroimágenes de personas con trastorno del espectro autista utilizando técnicas de aprendizaje automático. Los investigadores han observado que las diferencias de comportamiento entre individuos con este trastorno están relacionadas con variaciones en la estructura del cerebro. Read more

Investigadores chinos han desarrollado un sistema que utiliza inteligencia artificial y la presencia de marcadores lipídicos en sangre para detectar el cáncer de pulmón de células no pequeñas en etapas tempranas. La prueba alcanzó una sensibilidad del 90 % y una especificidad del 92 %. Read more