Herramienta basada en IA utiliza datos de secuenciación de genes tumorales para identificar sitio de origen de cánceres enigmáticos

Para un pequeño segmento de pacientes con cáncer, el origen de su cáncer permanece sin determinarse, lo que dificulta la selección del tratamiento más eficaz. Esto se debe a que la mayoría de los medicamentos contra el cáncer están diseñados para distintos tipos de cáncer. Los investigadores ahora han desarrollado una nueva metodología, utilizando el aprendizaje automático, para identificar los orígenes de estos cánceres esquivos. Este modelo computacional evalúa las secuencias de aproximadamente 400 genes para predecir el sitio de origen de un tumor. En un conjunto de datos que comprende alrededor de 900 pacientes, el modelo pudo categorizar con precisión el 40 % de los tumores no rastreables, lo que potencialmente aumentó la cantidad de pacientes elegibles para un tratamiento dirigido genómicamente guiado en 2,2 veces.

En 3 a 5 % de los casos de cáncer, especialmente cuando los tumores han hecho metástasis en todo el cuerpo, determinar el sitio inicial donde se originó el cáncer es un desafío. Estos tumores se denominan cánceres de origen primario desconocido (CPD). La imposibilidad de determinar su origen dificulta la administración de medicamentos de "precisión", que se adaptan a tipos de cáncer específicos. Estos medicamentos de precisión no solo son más efectivos sino que también tienen menos efectos secundarios que los tratamientos más generales que a menudo se recetan a los pacientes con CPD. Para abordar este problema, investigadores del Instituto Tecnológico de Massachusetts (MIT, Cambridge, MA, EUA) y el Instituto del Cáncer Dana-Farber (Boston, MA, EUA) analizaron datos genéticos recopilados de forma rutinaria de Dana-Farber para predecir los tipos de cáncer. Estos datos consistían en secuencias de genes de unos 400 genes que frecuentemente mutan en los casos de cáncer. Con estos datos, se entrenó un modelo de aprendizaje automático en casi 30.000 pacientes diagnosticados con uno de los 22 tipos de cáncer conocidos.

Cuando este modelo, llamado OncoNPC, se probó en 700 tumores que nunca antes había visto pero cuyo sitio de origen era conocido, predijo sus orígenes con una asombrosa precisión del 80 %, que aumentó al 95 % para tumores con predicciones de alta confianza que constituían alrededor del 65 % del total. Luego, este modelo se aplicó a alrededor de 900 tumores CPD de Dana-Farber. Para el 40 % de estos tumores, el modelo entregó predicciones de origen de alta confianza. Además, cuando los pronósticos del modelo se corroboraron con las mutaciones de la línea germinal (heredadas) en algunos tumores con los datos disponibles, el equipo encontró que las predicciones del modelo a menudo coincidían con el tipo de cáncer con una predicción más fuerte por las mutaciones de la línea germinal que cualquier otro tipo de cáncer.

La precisión del modelo se validó aún más al comparar el tiempo de supervivencia de los pacientes con CPD con el pronóstico típico para el tipo de cáncer que predijo el modelo. Por ejemplo, los pacientes con CPD que se predijo que tendrían un pronóstico más sombrío, como el cáncer de páncreas, de hecho tenían tiempos de supervivencia comparativamente más cortos, mientras que los que se predijo que tendrían un pronóstico más favorable, como los tumores neuroendocrinos, vivieron más tiempo. Además, el 10 % de los pacientes con CPD estudiados recibieron un tratamiento dirigido basado en la especulación oncológica. Entre estos, los tratados de acuerdo con las predicciones del modelo tuvieron mejores resultados. Los investigadores también examinaron si las predicciones del modelo podrían ser útiles en función de los tipos de tratamientos que habían recibido los pacientes con CPD analizados en el estudio. Alrededor del 10 % de estos pacientes habían recibido tratamiento dirigido, basado en la mejor suposición de sus oncólogos sobre dónde se había originado su cáncer. Entre estos pacientes, aquellos que recibieron un tratamiento consistente con el tipo de cáncer que predijo el modelo para ellos obtuvieron mejores resultados que los pacientes que recibieron un tratamiento generalmente administrado para un tipo de cáncer diferente al que el modelo predijo para ellos.

Además, los investigadores utilizaron el modelo para identificar un 15 % adicional de pacientes (un aumento de 2,2 veces) que podrían haberse beneficiado de tratamientos dirigidos si se hubiera conocido el origen de su cáncer. Lamentablemente, fueron tratados con medicamentos de quimioterapia general. El equipo ahora está interesado en expandir su modelo para incorporar varios tipos de datos, como imágenes de patología y radiología, para proporcionar una predicción más completa utilizando múltiples modalidades de datos. Esto también proporcionaría al modelo una perspectiva integral de los tumores, lo que le permitiría predecir el tipo de tumor y el tratamiento más adecuado.

"Ese fue el hallazgo más importante de nuestro artículo, que este modelo podría usarse potencialmente para ayudar en las decisiones de tratamiento, guiando a los médicos hacia tratamientos personalizados para pacientes con cánceres de origen primario desconocido", dijo Intae Moon, estudiante de posgrado en ingeniería eléctrica y ciencias de la computación del MIT, quien fue el autor principal del nuevo estudio.

Enlaces relacionados:
MIT
Instituto del Cáncer Dana-Farber

Visitar la expo >

Miembro Oro

CONTROLADOR DE PIPETA SEROLÓGICA

PIPETBOY GENIUS

Verification Panels for Assay Development & QC
Seroconversion Panels

New

Dermatophytosis Rapid Diagnostic Kit

StrongStep Dermatophytosis Diagnostic Kit

New

Respiratory QC Panel

Assayed Respiratory Control Panel