Investigadores(as) de Oregon Health & Science University desarrollaron un método único en su especie para predecir la supervivencia de pacientes de cáncer con datos moleculares avanzados de células individuales.
El análisis de supervivencia es clave en la oncología clínica. Los estudios modernos de cáncer pueden ahora medir actividad genética en células individuales del tumor de un(a) paciente y conectar esta información con cuánto viven los(as) pacientes. Sin embargo, hasta ahora no ha habido un buen modo de usar estos datos detallados a nivel celular para predecir supervivencia en forma directa.
El estudio, publicado hoy en Cancer Discovery, explica un método llamado scSurvival que usa datos genéticos de células individuales para identificar qué células dentro de un tumor están más ligadas a la supervivencia de pacientes. A diferencia de métodos tradicionales que hacen un promedio de señales a lo largo de todo el tumor, el nuevo abordaje diferencia poblaciones celulares dañinas y provechosas que pueden impulsar la evolución de la enfermedad. El equipo de investigación presentó estos descubrimientos hoy en la conferencia de la American Association for Cancer Research.
"Este es el primer tipo de análisis de supervivencia de una única célula que conecta directamente células tumorales individuales con resultados de pacientes", dijo Tao Ren, Ph.D., coautor principal del estudio y becario posdoctoral en matemáticas en la School of Medicine de OHSU. "Nos permite ver qué celulas impulsan realmente la evolución de la enfermedad, en lugar de tratar a todas las células del mismo modo".
El coautor principal Faming Zhao, Ph.D. explicó que el abordaje ayuda a resolver un problema de larga data en la investigación del cáncer.
"Los tumores son muy complejos, y se pueden perder señales importantes cuando los datos se promedian entre miles de millones de células", dijo Zhao, becario posdoctoral que se especializa en biología del cáncer en la School of Medicine de OHSU. "Al examinar la supervivencia con la resolución de una sola célula, podemos entender mejor por qué pacientes con el mismo cáncer tienen diferentes resultados".
Conocimiento experto en varios campos
En pruebas con datos de melanoma y cáncer de hígado, la herramienta predijo de manera más precisa los resultados de los pacientes que los métodos estándar. También descubrió estados específicos de células inmunitarias y tumorales que se relacionan con una mejor o peor supervivencia. Por ejemplo, los investigadores hallaron ciertas células inmunitarias que parecen ayudar a los(as) pacientes a responder mejor a la inmunoterapia, mientras que otras están ligadas con peores resultados.
El autor sénior, Zheng Xia, Ph.D., es profesor asociado de ingeniería biomédica en la School of Medicine de OHSU y miembro del OHSU Knight Cancer Institute. Afirmó que el trabajo refleja tanto la innovación técnica como la colaboración cercana entre disciplinas.
"Este estudio se hizo posible debido a la fuerte colaboración en el Knight Cancer Institute entre científicos(as) computacionales, biólogos(as) de cáncer y profesionales clínicos(as)", dijo Xia. "Al reunir conocimiento experto de diferentes campos, pudimos usar inteligencia artificial para desarrollar una nueva manera de estudiar la supervivencia usando datos de células individuales."
"Uno de los retos más grandes en la atención del cáncer es entender por qué pacientes con el mismo diagnóstico pueden tener resultados muy distintos", dijo el Dr. Brian Druker, director ejecutivo del OHSU Knight Cancer Institute. "Este nuevo abordaje nos da una manera potente de conectar la biología de células tumorales individuales con la supervivencia de pacientes. Esto abre la puerta a pronósticos más precisos y, en última instancia, estrategias personalizadas de tratamiento."
Xia aclaró que el modelo va más allá de los abordajes tradicionales de aprendizaje automático al capturar patrones biológicos complejos que anteriormente eran difíciles de estudiar.
Según Xia, "este trabajo usa inteligencia artificial para desarrollar una nueva manera de estudiar la supervivencia usando datos de células individuales." "El modelo es más complejo que los abordajes tradicionales de aprendizaje automático, y nos permite capturar información que antes no era accesible."
Entender estas diferencias es importante para los(as) pacientes, según los investigadores, porque los tumores están compuestos de muchos tipos de células que se comportan de manera diferente. Los tratamientos que funcionan para un(a) paciente pueden fracasar en otro(a) si se pasan por alto poblaciones celulares dañinas.
Aunque scSurvival no se usa todavía en atención clínica, los investigadores sostienen que con el tiempo podría ayudar a los médicos(as) a identificar mejor a pacientes de alto riesgo y apoyar el desarrollo de terapias contra el cáncer más precisas y dirigidas.
El programa scSurvival, de sistema abierto, y sus tutoriales, están ampliamente disponibles en GitHub, Zenodo y Code Ocean.
Además de Xia, los coautores(as) de OHSU en este estudio son Canping Chen, M.S., Le Zhou, Ph.D., Dr. Gordon Mills, Ph.D., Lisa Coussens, Ph.D., FAACR, FAIO.
Esta investigación contó con el apoyo del Instituto Nacional de Ciencias Médicas Generales de los Institutos Nacionales de la Salud, con el número de subvención R01GM147365, el Instituto Nacional del Cáncer de los Institutos Nacionales de la Salud, con los números de subvención R01CA283171, U01CA253472, U01CA281902 y U24CA264128, y la Oficina de Programas de Infraestructura de Investigación, Oficina del Director, de los Institutos Nacionales de Salud, con la subvención número S10OD034224. Este trabajo también tuvo el apoyo de la U.S. Army Medical Research Acquisition Activity, 808 Schreider Street, Fort Detrick, MD 21702-514, por el monto de $1,525,292, a través del Programa de Investigación de Cáncer de Próstata, con la subvención número HT94252410551, así como el Silver Family Innovation Fund OHSU Faculty Excellence & Innovation Award, la Fundación Susan G. Komen, la Fundación Nacional para la Investigación del Cáncer y el Hildegard Lamfrom Endowed Chair in Basic Research. El contenido es responsabilidad exclusiva de los autores y no necesariamente representa las opiniones oficiales de los Institutos Nacionales de Salud (sigla en inglés, NHI), el Departamento de Defensa de EUA ni de ningún otro proveedor de financiación. Los investigadores(as) desean reconocer a la TCGA Research Network, Gene Expression Omnibus y el Sequence Read Archive.