Una herramienta computacional integra datos transcriptómicos para mejorar el diagnóstico y tratamiento del cáncer de mama
Actualizado el 25 Jul 2024
El cáncer de mama es el cáncer más comúnmente diagnosticado en todo el mundo y se presenta en varios subtipos que requieren una identificación precisa para un tratamiento efectivo y personalizado. Tradicionalmente, la subtipificación del cáncer se ha realizado mediante tinción histológica (inmunohistoquímica), que implica la identificación de marcadores específicos que clasifican los tumores en distintos subtipos. Recientemente, los perfiles transcriptómicos de alto rendimiento han transformado la forma en que se identifican los subtipos de cáncer de mama mediante el análisis de la actividad genética en las células cancerosas a través de los ARN mensajeros totales presentes.
El perfil transcriptómico utiliza la secuenciación de ARN (RNAseq), una técnica de biología molecular en rápida evolución que secuencia cadenas de ARN de manera eficiente. A medida que la secuenciación de ARN se vuelve más asequible, tiene el potencial de integrarse clínicamente de forma rutinaria para ayudar en el diagnóstico y las decisiones de tratamiento. Sin embargo, su aplicación está actualmente limitada por el requisito de procesar grandes lotes de muestras simultáneamente y las dificultades para comparar muestras entre diferentes plataformas. Ahora, los científicos han desarrollado una herramienta computacional que recopila datos transcriptómicos del cáncer de mama de varias bases de datos, mejorando la oncología de precisión al predecir con precisión los subtipos moleculares y las respuestas terapéuticas.
![Imagen: La herramienta puede predecir con precisión los subtipos moleculares y las respuestas a la terapia (foto cortesía de Shutterstock) Imagen: La herramienta puede predecir con precisión los subtipos moleculares y las respuestas a la terapia (foto cortesía de Shutterstock)](https://globetechcdn.com/mobile_es_labmedica/images/stories/articles/article_images/2024-07-22/shutterstock_2300339275_2.jpg)
La herramienta computacional denominada EMBER desarrollada por científicos de la EPFL (Lausana, Suiza) integra más de 11.000 transcriptomas de cáncer de mama, lo que permite la predicción de subtipos de cáncer en muestras individuales y captura vías biológicas esenciales, mejorando así la predicción de las respuestas a la terapia. EMBER utiliza un modelo estadístico que combina datos de RNA-seq y microarray de conjuntos de datos importantes como TCGA y METABRIC, centrándose en pacientes con cáncer de mama en etapas tempranas. Los datos se normalizan a una escala común, seleccionando los 1000 genes más variables y utilizando 44 genes estables para la normalización, con el fin de mantener características importantes de la expresión génica.
EMBER se validó con cohortes de pacientes independientes y se probó con datos de ensayos clínicos, como el ensayo POETIC, que identificó posibles mecanismos de resistencia a la terapia, como el aumento de la señalización del receptor de andrógenos y la disminución de la señalización del TGFβ. Identificó con precisión los cinco subtipos moleculares de cáncer de mama y vías cruciales, incluida la señalización del receptor de estrógeno y la proliferación celular. Un hallazgo notable es que la puntuación de señalización del receptor de estrógeno de EMBER supera el índice de ER basado en inmunohistoquímica utilizado en las clínicas, lo que sugiere una mayor precisión de EMBER en la predicción de respuestas a la terapia endocrina. Al ofrecer una plataforma consolidada para datos transcriptómicos del cáncer de mama, EMBER facilita una comprensión más profunda de los subtipos moleculares y las respuestas al tratamiento, lo que podría conducir a tratamientos más personalizados y mejores resultados para los pacientes con cáncer de mama ER+. EMBER también presenta un método viable para integrar la secuenciación de ARN en procedimientos de diagnóstico estándar, promoviendo diagnósticos de cáncer más completos y rentables. Este método no solo avanza la oncología de precisión, sino que también establece una base sólida para futuras investigaciones y aplicaciones clínicas.
Enlaces relacionados:
EPFL