Un algoritmo de IA ayudará a crear terapias contra el glioblastoma

Aunque actualmente muchos cánceres se pueden curar, el glioblastoma es un tumor cerebral muy agresivo y la tasa de supervivencia de los afectados es inferior al 10% a cinco años. Conocer los mecanismos moleculares que contribuyen al desarrollo de esta enfermedad en cada paciente ayudará a encontrar tratamientos personalizados que mejoren su pronóstico. Ahora, científicos del Sylvester Comprehensive Cancer Center de la Facultad de Medicina Miller de la Universidad de Miami, en colaboración con investigadores internacionales, han desarrollado un algoritmo de IA que realiza un análisis computacional avanzado para identificar potenciales objetivos terapéuticos para combatir el glioblastoma multiforme (GBM) y otros tipos de cáncer.

SPHINKS (inferencia basada en PHosfosito de sustrato para la red de quinasas) es el nombre que se le ha dado a este algoritmo de Inteligencia Artificial, que usa un aprendizaje automático profundo para ayudar a los investigadores a identificar y validar experimentalmente dos proteínas quinasas (PKCδ y DNAPKcs) relacionadas con la progresión tumoral en dos subtipos de GBM y que se consideran objetivos terapéuticos potenciales para otros tipos de cáncer.

La investigación se ha publicado en la revista Nature Cancer y podría tener importantes implicaciones en el futuro tratamiento del GBM y de ciertos cánceres de mama, pulmón y pediátricos. Según los investigadores, SPHINKS se podría utilizar utilizar con facilidad en los laboratorios de patología molecular, y en su artículo han incluido un clasificador clínico que puede ayudar a asignar el subtipo de glioblastoma adecuado para cada paciente. Han creado, además un portal en línea para acceder al algoritmo, y creen que este enfoque puede proporcionar información clave que podría beneficiar hasta al 75% de los pacientes con glioblastoma.

Además del glioblastoma, SPHINKS se puede utilizar con otros tipos de cáncer, ya que han encontrado las mismas quinasas cancerígenas en tumores de mama, pulmón y cerebro pediátricos

"Nuestro trabajo representa la ciencia traslacional que ofrece oportunidades inmediatas para cambiar la forma en que los pacientes con glioblastoma se tratan de forma rutinaria en la clínica", ha explicado el Dr. Antonio Iavarone, subdirector de Sylvester Comprehensive Cancer Center y autor principal del estudio. "Nuestro algoritmo ofrece aplicaciones para la medicina oncológica de precisión, brindando a los oncólogos una nueva herramienta para combatir esta enfermedad mortal y también otros tipos de cáncer".

En la medicina oncológica de precisión se utilizan las proteínas quinasas para adaptar el tratamiento a las propiedades específicas del cáncer de un paciente. Las quinasas más activas, que estos científicos denominaron "quinasas maestras" en su artículo, son aquellas contra las que los médicos emplean fármacos dirigidos como sello distintivo del tratamiento actual contra el cáncer.

Además de identificar las quinasas maestras, el Dr. Iavarone y sus colegas utilizaron organoides tumorales cultivados en el laboratorio a partir de muestras de pacientes –a los que denominaron "avatares tumorales derivados de pacientes"– para demostrar que los medicamentos dirigidos que interfieren con la actividad de las quinasas maestras pueden impedir el crecimiento tumoral.

El Dr. Iavarone y su equipo habían realizado previamente una nueva clasificación del glioblastoma basándose en rasgos clave de células tumorales y en la agrupación de pacientes con GBM dependiendo de sus probabilidades de supervivencia y la vulnerabilidad de su tumor a los fármacos. En el nuevo estudio, estas clasificaciones se confirmaron de forma independiente a través de varias plataformas ómicas: genómica (genes), proteómica (proteínas), lipidómica (moléculas de grasa), acetilómica (epigenética), metabolómica (metabolitos) y otras.

Predecir el mejor tratamiento para cada paciente con glioblastoma

El nuevo algoritmo aprovecha el aprendizaje automático para refinar estos conjuntos de datos ómicos y desarrollar un interactoma –un conjunto completo de interacciones biológicas– para identificar las quinasas que provocan el crecimiento y la resistencia al tratamiento en cada subtipo de glioblastoma. Los investigadores han comprobado que los datos multiómicos pueden generar nuevos algoritmos que predicen cuáles son las terapias dirigidas que constituyen las mejores opciones terapéuticas en función del subtipo de glioblastoma de cada paciente.

"Ahora podemos estratificar a los pacientes con glioblastoma en función de las características biológicas que son comunes entre los diferentes ómicos", señala el Dr. Iavarone. "Leer el genoma por sí solo no ha sido suficiente. Necesitábamos datos más completos para identificar las vulnerabilidades de los tumores".

"Este clasificador se puede usar básicamente en cualquier laboratorio", ha declarado la Dra. Anna Lasorella, profesora de bioquímica y biología molecular en Sylvester CCC y coautora principal del estudio. "Al importar la información ómica al portal web, los patólogos reciben información de clasificación para un tumor, diez tumores, sin importar cuántos importen. Estas clasificaciones se pueden aplicar de inmediato a la atención del paciente".

Aunque SPHINKS se ha probado por primera vez en el glioblastoma, se puede utilizar también con otros tipos de cáncer, ya que los investigadores han encontrado las mismas quinasas cancerígenas en tumores de mama, pulmón y cerebro pediátricos, por lo que creen que este hallazgo podría sentar las bases de un nuevo tipo de ensayo clínico.

"Estamos explorando el concepto de ensayos de canasta", ha explicado el Dr. Iavarone, "que incluiría pacientes con el mismo subtipo biológico pero no necesariamente los mismos tipos de cáncer. Si los pacientes con glioblastoma o cáncer de mama o de pulmón tienen características moleculares similares, podrían incluirse en el mismo ensayo", añade. "En lugar de realizar múltiples ensayos para un solo agente, podríamos realizar un ensayo combinado y potencialmente llevar medicamentos más efectivos a más pacientes con mayor rapidez".