Predir com respondrà un tumor concret a un fàrmac abans d'administrar-lo és un dels usos més prometedors de la intel·ligència artificial en oncologia, però els models que ho intenten pateixen un problema recurrent: les dades d'entrenament disponibles són escasses, cobreixen poques combinacions de càncer i compost, i cada estudi fa servir el seu propi format, cosa que dificulta comparar-ne els resultats.
Un equip del Laboratori Nacional d'Argonne format per Vincent Lavelle, Yitan Zhu, Kaitlyn Marlor, Thomas Brettin i Rick Stevens -aquest últim també professor a la Universitat de Chicago- ha publicat a arXiv una ampliació a gran escala del banc de proves IMPROVE, un marc que ja establia esquemes de dades i protocols d'avaluació unificats. Integrant sobretot la base de dades PharmacoDB, junt amb altres fonts menors, els investigadors hi han afegit 5.455.444 experiments de resposta a fàrmacs sobre 1.362 mostres de càncer i 53.949 compostos diferents, a més de dades d'expressió gènica, mutacions i altres capes moleculars. Entrenats amb aquest conjunt ampliat, els models UNO i GraphDRP milloren de manera notable en els escenaris més exigents: en la predicció sobre fàrmacs mai vistos, la puntuació R² d'UNO passa de 0,03 a 0,22, i la de GraphDRP, de -0,11 a 0,12.
La troballa és rellevant perquè confirma, amb xifres concretes, una hipòtesi que fins ara es donava per fet més que no es demostrava: que la manca de diversitat en les dades -no només la manca de volum- és el que limita la capacitat d'aquests models de generalitzar a fàrmacs nous, la situació més útil a la pràctica clínica. Les dades i el codi es publiquen en obert, a Figshare i GitHub, perquè altres grups puguin reproduir i ampliar els resultats.
Els mateixos autors adverteixen que el conjunt ampliat queda dominat en un 78% per un sol estudi (NCI60), cosa que pot esbiaixar els models cap als seus patrons particulars, que l'entrenament amb milions de mesures exigeix infraestructura de diverses GPU no a l'abast de tots els grups de recerca, i que encara no han aprofitat a fons totes les capes moleculars disponibles, com la metilació del ADN o la proteòmica, una feina que deixen per a treballs futurs.