MADRID, 3 Feb. (EUROPA PRESS) -
Científicos del Sylvester Comprehensive Cancer Center de la Facultad de Medicina Miller de la Universidad de Miami (Estados Unidos), en colaboración con investigadores internacionales, han desarrollado un sofisticado algoritmo de IA que realiza análisis computacionales avanzados para identificar posibles dianas terapéuticas para el glioblastoma multiforme (GBM) y otros tipos de cáncer.
Su investigación, publicada en la revista 'Nature Cancer', podría tener profundas implicaciones para el futuro tratamiento del GBM, un tipo de cáncer cerebral agresivo y normalmente mortal, y de ciertos cánceres de mama, pulmón y pediátricos.
"Nuestro trabajo representa una ciencia traslacional que ofrece oportunidades inmediatas de cambiar la forma en que se trata a los pacientes con glioblastoma en la clínica --explica el doctor Antonio Iavarone, subdirector del Centro Oncológico Integral Sylvester y autor principal del estudio--. Nuestro algoritmo ofrece aplicaciones a la medicina oncológica de precisión, dando a los oncólogos una nueva herramienta para combatir esta enfermedad mortal y también otros cánceres".
El algoritmo de IA, conocido como SPHINKS (por Substrate PHosphosite-based Inference for Network of KinaseS) desplegó el aprendizaje automático profundo para ayudar a los investigadores a identificar y validar experimentalmente dos proteínas quinasas (PKCdelta y DNAPKcs) como las culpables asociadas a la progresión tumoral en dos subtipos de GBM y como potenciales dianas terapéuticas para otros cánceres.
Las proteínas quinasas son las dianas clave utilizadas actualmente en la medicina oncológica de precisión para adaptar el tratamiento a las propiedades específicas del cáncer de un paciente. Las quinasas más activas, a las que los investigadores denominan "quinasas maestras" en su artículo, son aquellas para las que los médicos dirigen fármacos dirigidos como sello distintivo del tratamiento actual del cáncer.
Además de identificar las quinasas maestras, utilizaron organoides tumorales cultivados en el laboratorio a partir de muestras de pacientes, lo que denominaron "avatares tumorales derivados de pacientes", para demostrar que los fármacos dirigidos que interfieren en la actividad de las quinasas maestras pueden frustrar el crecimiento tumoral.
Anteriormente, el doctor Iavarone y su equipo habían presentado una nueva clasificación del glioblastoma mediante la captura de rasgos clave de las células tumorales y la agrupación de pacientes con GBM en función de su probabilidad de supervivencia y la vulnerabilidad de su tumor a los fármacos.
En el nuevo estudio, estas clasificaciones se confirmaron de forma independiente mediante varias plataformas ómicas: genómica (genes), proteómica (proteínas), lipidómica (moléculas grasas), acetilómica (epigenética) y metabolómica (metabolitos), entre otras.
SPHINKS aprovecha el aprendizaje automático para refinar estos conjuntos de datos ómicos y crear un interactoma --un conjunto completo de interacciones biológicas-- para identificar las quinasas que generan crecimiento aberrante y resistencia al tratamiento en cada subtipo de glioblastoma. Estos hallazgos demuestran que los datos multiómicos pueden generar nuevos algoritmos que predicen qué terapias dirigidas pueden proporcionar las mejores opciones terapéuticas en función del subtipo de glioblastoma de cada paciente.
"Ahora podemos estratificar a los pacientes con glioblastoma en función de características biológicas comunes entre diferentes ómicas --afirma Iavarone--. La lectura del genoma por sí sola no ha sido suficiente. Hemos necesitado datos más completos para identificar las vulnerabilidades tumorales".
A pesar de los avances logrados en muchos otros tipos de cáncer, los pacientes de glioblastoma se enfrentan a un pronóstico desalentador: la tasa de supervivencia a cinco años es inferior al 10%. Aunque se están desarrollando numerosos fármacos como terapia potencial, los clínicos han necesitado una forma de identificar los mecanismos moleculares que impulsan la enfermedad de cada paciente y que son aplicables a la medicina oncológica de precisión.
Según los investigadores, el algoritmo SPHINKS y los métodos relacionados pueden incorporarse fácilmente a los laboratorios de patología molecular. Su trabajo incluye un clasificador clínico que puede ayudar a asignar el subtipo de glioblastoma adecuado a cada paciente. El equipo también ha creado un portal en línea para acceder al algoritmo. Los autores creen que este enfoque puede producir información reveladora que podría beneficiar hasta al 75% de los pacientes con glioblastoma.
"Este clasificador puede utilizarse básicamente en cualquier laboratorio --asegura la doctora Anna Lasorella, catedrática de Bioquímica y Biología Molecular del CCC Sylvester y coautora principal del estudio--. Al importar la información ómica al portal web, los patólogos reciben información de clasificación para un tumor, diez tumores, cualquiera que sea el número que importen. Estas clasificaciones pueden aplicarse inmediatamente a la atención del paciente".
Aunque SPHINKS se probó por primera vez en glioblastomas, el algoritmo es igualmente aplicable a otros tipos de cáncer. El equipo descubrió las mismas quinasas cancerígenas en tumores de mama, pulmón y cerebrales pediátricos. Los doctores Iavarone y Lasorella y sus colegas creen que este hallazgo podría impulsar un nuevo tipo de ensayo clínico.
"Estamos explorando el concepto de ensayos colectivos --anuncia el doctor Iavarone--, que incluirían pacientes con el mismo subtipo biológico pero no necesariamente los mismos tipos de cáncer. Si los pacientes con glioblastoma o cáncer de mama o pulmón tienen características moleculares similares, podrían incluirse en el mismo ensayo".
"En lugar de hacer múltiples ensayos para un solo agente, podríamos realizar un ensayo combinado y llevar potencialmente fármacos más eficaces a más pacientes con mayor rapidez", añade.
