Para un pequeño porcentaje de pacientes con cáncer, los médicos no pueden determinar dónde se originó su cáncer. Esto hace que sea mucho más difícil elegir un tratamiento para esos pacientes, porque muchos medicamentos contra el cáncer generalmente se desarrollan para tipos de cáncer específicos.
Un nuevo enfoque desarrollado por investigadores del MIT y el Instituto del Cáncer Dana-Farber puede facilitar la identificación de los sitios de origen de esos enigmáticos cánceres. Usando el aprendizaje automático, los investigadores crearon un modelo computacional que puede analizar la secuencia de unos 400 genes y usar esa información para predecir dónde se originó un tumor determinado en el cuerpo.
Usando este modelo, los investigadores demostraron que podían clasificar con precisión al menos el 40 por ciento de los tumores de origen desconocido con alta confianza, en un conjunto de datos de alrededor de 900 pacientes. Este enfoque permitió un aumento de 2,2 veces en el número de pacientes que podrían haber sido elegibles para un tratamiento dirigido dirigido genómicamente, según el lugar donde se originó su cáncer.
«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», dice Intae Moon, estudiante de posgrado en ingeniería eléctrica y tecnología del MIT. informática, quien es el autor principal del nuevo estudio.
Alexander Gusev, profesor asociado de medicina en la Escuela de Medicina de Harvard y el Instituto del Cáncer Dana-Farber, es el autor principal del artículo, que aparece hoy en Medicina natural.
Orígenes misteriosos
En el 3 al 5 por ciento de los pacientes con cáncer, particularmente en los casos en que los tumores han hecho metástasis en todo el cuerpo, los oncólogos no tienen una manera fácil de determinar dónde se originó el cáncer. Estos tumores se clasifican como cánceres de primario desconocido (CUP).
Esta falta de conocimiento a menudo impide que los médicos puedan dar a los pacientes medicamentos de «precisión», que generalmente están aprobados para tipos de cáncer específicos en los que se sabe que funcionan. Estos tratamientos dirigidos tienden a ser más efectivos y tienen menos efectos secundarios que los tratamientos que se usan para un amplio espectro de cánceres, que comúnmente se recetan a los pacientes con CUP.
“Una cantidad considerable de personas desarrollan estos cánceres de origen primario desconocido cada año, y debido a que la mayoría de las terapias se aprueban en un sitio específico, en el que debe conocer el sitio primario para aplicarlas, tienen opciones de tratamiento muy limitadas”, dice Gusev. .
Moon, un afiliado del Laboratorio de Ciencias de la Computación e Inteligencia Artificial que está coasesorado por Gusev, decidió analizar los datos genéticos que se recopilan de forma rutinaria en Dana-Farber para ver si podrían usarse para predecir el tipo de cáncer. Los datos consisten en secuencias genéticas de unos 400 genes que a menudo están mutados en el cáncer. Los investigadores entrenaron un modelo de aprendizaje automático con datos de casi 30 000 pacientes a los que se les había diagnosticado uno de los 22 tipos de cáncer conocidos. Ese conjunto de datos incluía pacientes del Centro de Cáncer Memorial Sloan Kettering y del Centro de Cáncer Vanderbilt-Ingram, así como de Dana-Farber.
Luego, los investigadores probaron el modelo resultante en aproximadamente 7,000 tumores que no se habían visto antes, pero cuyo sitio de origen era conocido. El modelo, que los investigadores llamaron OncoNPC, pudo predecir sus orígenes con un 80 por ciento de precisión. Para los tumores con predicciones de alta confianza, que constituían alrededor del 65 por ciento del total, su precisión aumentó a aproximadamente el 95 por ciento.
Después de esos resultados alentadores, los investigadores usaron el modelo para analizar un conjunto de aproximadamente 900 tumores de pacientes con CUP, todos de Dana-Farber. Descubrieron que para el 40 por ciento de estos tumores, el modelo podía hacer predicciones de alta confianza.
Luego, los investigadores compararon las predicciones del modelo con un análisis de las mutaciones de la línea germinal, o heredadas, en un subconjunto de tumores con datos disponibles, que pueden revelar si los pacientes tienen una predisposición genética a desarrollar un tipo particular de cáncer. Los investigadores encontraron que las predicciones del modelo tenían muchas más probabilidades de coincidir con el tipo de cáncer predicho con mayor fuerza por las mutaciones de la línea germinal que con cualquier otro tipo de cáncer.
Orientación de las decisiones sobre medicamentos
Para validar aún más las predicciones del modelo, los investigadores compararon los datos sobre el tiempo de supervivencia de los pacientes con CUP con el pronóstico típico para el tipo de cáncer que predijo el modelo. Descubrieron que los pacientes con CUP que se predijo que tendrían cáncer con un mal pronóstico, como el cáncer de páncreas, mostraron tiempos de supervivencia correspondientemente más cortos. Mientras tanto, los pacientes con CUP que se predijo que tendrían cánceres que generalmente tienen mejores pronósticos, como los tumores neuroendocrinos, tuvieron tiempos de supervivencia más prolongados.
Otra indicación de que las predicciones del modelo podrían ser útiles provino de observar los tipos de tratamientos que habían recibido los pacientes con CUP analizados en el estudio. Alrededor del 10 por ciento de estos pacientes habían recibido un tratamiento dirigido, según la mejor suposición de sus oncólogos sobre dónde se había originado su cáncer. Entre esos pacientes, aquellos que recibieron un tratamiento consistente con el tipo de cáncer que el modelo predijo para ellos obtuvieron mejores resultados que los pacientes que recibieron un tratamiento típicamente dado para un tipo de cáncer diferente al que el modelo predijo para ellos.
Utilizando este modelo, los investigadores también identificaron un 15 por ciento adicional de pacientes (un aumento de 2,2 veces) que podrían haber recibido un tratamiento dirigido existente, si se hubiera conocido su tipo de cáncer. En cambio, esos pacientes terminaron recibiendo medicamentos de quimioterapia más generales.
“Eso potencialmente hace que estos hallazgos sean más procesables clínicamente porque no estamos requiriendo que se apruebe un nuevo medicamento. Lo que estamos diciendo es que esta población ahora puede ser elegible para tratamientos de precisión que ya existen”, dice Gusev.
Los investigadores ahora esperan expandir su modelo para incluir otros tipos de datos, como imágenes de patología e imágenes de 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 no solo el tipo de tumor y el resultado del paciente, sino potencialmente incluso el tratamiento óptimo.
La investigación fue financiada por los Institutos Nacionales de Salud, la Fundación Louis B. Mayer, la Fundación Benéfica Doris Duke, la Hermandad Phi Beta Psi y el Colectivo Emerson.