CrcBiomeScreen: a reproducible workflow for class imbalance and cross-cohort generalisability in colorectal cancer microbiome prediction

El cáncer colorrectal es una de las principales causas de muerte en todo el mundo, a menudo porque se descubre demasiado tarde para que el tratamiento sea plenamente eficaz. Los métodos de detección actuales, como las pruebas que buscan sangre oculta en las heces, son útiles pero imperfectos; pueden pasar por alto signos tempranos de la enfermedad o señalar a personas sanas para procedimientos de seguimiento innecesarios e invasivos. En los últimos años, los científicos han centrado su atención en los billones de diminutos organismos que viven en nuestros intestinos, conocidos como el microbioma. Estas comunidades microbianas dejan firmas químicas distintivas que cambian cuando se desarrollan cáncer o crecimientos precancerosos. La esperanza es que, al analizar estos patrones microbianos, los médicos puedan identificar a individuos de alto riesgo con mayor precisión que mediante las pruebas de sangre por sí solas. Sin embargo, convertir estas señales biológicas en una herramienta médica fiable está plagado de dificultades. Los datos son desordenados, el número de personas sanas supera con creces al de las personas con cáncer, y la forma en que los investigadores procesan los datos puede cambiar drásticamente los resultados, lo que dificulta saber qué métodos funcionan realmente.

Para navegar esta complejidad, un equipo de investigadores de la Universidad de Leeds desarrolló una nueva herramienta de código abierto llamada CrcBiomeScreen. En lugar de simplemente proponer una única "mejor" forma de predecir el cáncer, construyeron un marco flexible que permite a los científicos probar diferentes estrategias de forma paralela para ver cuáles resisten la presión. Utilizaron este sistema para analizar muestras de heces de más de 2.200 personas participantes en un programa de detección real en el Reino Unido, así como en otros nueve conjuntos de datos independientes de todo el mundo. Su objetivo era averiguar qué pasos específicos en el análisis —cómo se limpian los datos, cómo se cuentan los diferentes tipos de bacterias y cómo los modelos informáticos gestionan el hecho de que los casos de cáncer son poco comunes— conducen a las predicciones más precisas y fiables.

Los investigadores descubrieron que las decisiones tomadas antes de que el ordenador empiece siquiera a aprender son críticas. Probaron varias formas de normalizar los datos, un proceso que ajusta las diferencias en la cantidad de material genético recolectado de cada muestra. Descubrieron que un método específico llamado GMPR, que tiene en cuenta la forma única en que están estructuradas las comunidades microbianas, producía consistentemente mejores resultados que los métodos antiguos y más simples. También examinaron si importaba incluir bacterias que nunca se han logrado cultivar en un laboratorio, a menudo etiquetadas como "no cultivadas". El estudio mostró que mantener estas misteriosas bacterias no cultivadas en el análisis no perjudicaba el rendimiento del modelo y que, de hecho, podría preservar pistas valiosas sobre la enfermedad que de otro modo se perderían. Además, determinaron que observar las bacterias a nivel de género —una categoría amplia que agrupa especies relacionadas— proporcionaba el mejor equilibrio. Este nivel de detalle era lo suficientemente específico como para tener un significado biológico, pero lo suficientemente amplio como para ser reconocido de forma consistente en diferentes laboratorios y tecnologías de secuenciación.

Un obstáculo importante en la detección del cáncer es el enorme desequilibrio entre las personas sanas y aquellas que padecen la enfermedad. En un programa de detección real, por cada persona con cáncer, hay cientos o miles de personas sanas. Si un modelo informático se entrena con un conjunto de datos que tiene demasiados casos de cáncer, puede funcionar bien en el laboratorio pero fracasar estrepitosamente cuando se aplica a la población general. El equipo simuló este desequilibrio extremo creando escenarios de prueba donde los controles sanos superaban ampliamente a los casos de cáncer. Descubrieron que una técnica llamada ponderación de clases era esencial. Este enfoque le dice al ordenador que preste especial atención a los casos de cáncer poco frecuentes durante el entrenamiento, haciendo que el modelo sea efectivamente más sensible a la enfermedad sin perder su capacidad para identificar correctamente a las personas sanas. Al aplicar esta ponderación, el modelo mantuvo su capacidad para detectar casos de cáncer mientras reducía significamente el número de personas sanas que eran señaladas incorrectamente como enfermas. Esta mejora en la precisión es vital para la detección, ya que ayuda a evitar colonoscopias innecesarias y la ansiedad que estas causan.

Los investigadores probaron después qué tan bien funcionaban estos modelos al trasladarse del conjunto de datos del Reino Unido a poblaciones completamente diferentes de otros nueve países. Aquí es donde la elección del algoritmo informático marcó una diferencia sorprendente. Un tipo de modelo, conocido como Random Forest (Bosque Aleatorio), resultó ser muy estable y fiable, funcionando de manera consistente incluso cuando los datos de entrenamiento eran limitados o las poblaciones eran muy diferentes. Otro tipo, llamado XGBoost, fue más potente cuando se entrenó con conjuntos de datos grandes y diversos, logrando una mayor precisión en esas condiciones específicas, pero mostrando más variabilidad cuando los datos eran menores. El estudio sugiere que no existe un único algoritmo de "bala de plata" que funcione mejor en todas las situaciones. En cambio, el mejor enfoque depende del tamaño y la naturaleza de los datos disponibles.

En última instancia, el valor de CrcBiomeScreen reside en su transparencia y flexibilidad. No obliga a los investigadores a utilizar un método único y rígido. En su lugar, proporciona una forma estructurada de comparar diferentes opciones, asegurando que la herramienta final elegida sea la que mejor funcione para el conjunto de datos específico en cuestión. Al demostrar que la atención cuidadosa al procesamiento de datos, la inclusión de bacterias no cultivadas y el uso de la ponderación de clases pueden mejorar significativamente el rendimiento, el estudio ofrece una hoja de ruta para desarrollar herramientas de detección basadas en el microbioma más fiables. Aunque estos modelos aún no están listos para reemplazar las pruebas existentes, representan un paso significativo hacia un futuro en el que una simple prueba de heces podría identificar con mayor precisión quién necesita atención médica urgente, ayudando a detectar el cáncer colorrectal más temprano y salvando más vidas.