Una herramienta computacional podría evaluar los resultados de la inmunoterapia en pacientes con cáncer de mama metastásico

Utilizando herramientas computacionales, investigadores del Centro Oncológico Kimmel Johns Hopkins y la Facultad de Medicina de la Universidad Johns Hopkins han desarrollado un método para evaluar si los pacientes con cáncer de mama metastásico triple negativo podrían beneficiarse de la inmunoterapia. El trabajo fue realizado por científicos computacionales y médicos. publicado en octubre 28 Actas de la Academia Nacional de Ciencias,

La inmunoterapia se utiliza para estimular el propio sistema inmunológico del cuerpo para atacar las células cancerosas. Sin embargo, sólo algunos pacientes responden al tratamiento, explica el autor principal del estudio, Thenmozhi Arulraj, Ph.D., becario postdoctoral en Johns Hopkins: "Es realmente importante que identifiquemos a aquellos pacientes para quienes podría funcionar, porque el tratamiento". La toxicidad de estos tratamientos es alta."

Para explorar esto, los estudios han probado si la presencia o ausencia de ciertas células, o la expresión de diferentes moléculas en los tumores, puede indicar si un paciente en particular responderá a la inmunoterapia. Estas moléculas se denominan biomarcadores predictivos y son útiles para seleccionar el tratamiento adecuado para los pacientes, explica el autor principal del estudio, Alexander Poppel, PhD, profesor de ingeniería biomédica y oncología en la Facultad de Medicina de la Universidad Johns Hopkins.

"Desafortunadamente, los biomarcadores predictivos existentes tienen una precisión limitada a la hora de identificar a los pacientes que se beneficiarán de la inmunoterapia", afirma Poppel. "Además, la evaluación a gran escala de las características que predicen la respuesta al tratamiento requeriría la recolección de biopsias de tumores y muestras de sangre de muchos pacientes e implicaría múltiples pruebas, lo cual es un gran desafío".

Entonces, el equipo empleó un modelo matemático llamado farmacología de sistemas cuantitativos para generar 1.635 pacientes virtuales con cáncer de mama metastásico triple negativo y realizó simulaciones de tratamiento con el fármaco de inmunoterapia pembrolizumab. Luego, introdujeron estos datos en potentes herramientas computacionales, incluidos enfoques estadísticos y basados ​​en el aprendizaje automático, para buscar biomarcadores que predigan con precisión la respuesta al tratamiento. Se centraron en identificar qué pacientes responderían al tratamiento y cuáles no.

Utilizando datos parcialmente sintéticos producidos por ensayos clínicos virtuales, los investigadores evaluaron el rendimiento de 90 biomarcadores solos y en combinaciones dobles, triples y cuádruples. Descubrieron que las mediciones de biopsias de tumores o muestras de sangre tomadas antes de comenzar el tratamiento, llamadas biomarcadores previos al tratamiento, tenían una capacidad limitada para predecir los resultados del tratamiento. Sin embargo, las mediciones de los pacientes tomadas después de iniciado el tratamiento, llamadas biomarcadores durante el tratamiento, predijeron mejor los resultados.

Sorprendentemente, también descubrieron que algunas mediciones de biomarcadores comúnmente utilizadas, como la expresión de una molécula llamada PD-L1 y la presencia de linfocitos en el tumor, eran mejores cuando se evaluaban antes de comenzar el tratamiento que después de comenzar el tratamiento.

Los investigadores también analizaron la precisión de las mediciones que no requieren biopsias invasivas para predecir los resultados del tratamiento, como los recuentos de células inmunes en la sangre, y encontraron que ciertos biomarcadores sanguíneos no indicaban tumor o linfadenopatía en comparación con los biomarcadores basados ​​en ganglios. . Un subgrupo de pacientes que responden al tratamiento. Esto sugiere potencialmente una forma menos invasiva de predecir la respuesta.

La medición del cambio en el diámetro del tumor se puede obtener fácilmente mediante una tomografía computarizada y también puede resultar predictiva. "Esto, medido tan pronto como dos semanas después de iniciar el tratamiento, tenía un gran potencial para identificar quién respondería si se continuaba con el tratamiento", dice Poppel.

Para validar los hallazgos, los investigadores realizaron un ensayo clínico virtual con pacientes seleccionados en función de los cambios en el diámetro del tumor dos semanas después del inicio del tratamiento.

"La tasa de respuesta simulada se multiplicó por más de dos (del 11% al 25%), lo cual es bastante notable", afirma Arulraj. "Esto enfatiza el potencial de los biomarcadores no invasivos como alternativa, en los casos en los que no es posible recolectar muestras de biopsia del tumor".

El conjunto de datos destaca las vulnerabilidades sociales

El coautor del estudio, César, dice: "Los biomarcadores predictivos son importantes a medida que desarrollamos estrategias personalizadas para el cáncer de mama triple negativo, para evitar el tratamiento excesivo en pacientes que se espera que tengan buenos resultados sin inmunoterapia, y "para evitar tratamientos más cortos en personas que no responden bien a inmunoterapia." Santa-Maria, MD, es profesora asociada de oncología y oncóloga médica de mama en el Johns Hopkins Kimmel Cancer Center con experiencia en inmunoterapia del cáncer de mama y biomarcadores inmunológicos.

"Las complejidades del microambiente tumoral hacen que el descubrimiento de biomarcadores sea un desafío en la clínica, pero las tecnologías que aprovechan el modelado in-silico (basado en computadora) tienen el potencial de capturar tales complejidades y ayudar en la selección de pacientes para la terapia".

En conjunto, estos nuevos hallazgos arrojan luz sobre cómo seleccionar mejor a los pacientes con cáncer de mama metastásico para la inmunoterapia. Los investigadores dicen que se espera que estos hallazgos ayuden a diseñar futuros estudios clínicos y que la metodología podría replicarse en otros tipos de cáncer.

Anteriormente, el equipo utilizó un marco de modelado interno y desarrolló un modelo computacional con un enfoque específico en el cáncer de mama en etapa avanzada, donde el tumor ya se ha diseminado a diferentes partes del cuerpo. esto fue publicado En avance de la ciencia El año pasado. El equipo utilizó datos de múltiples estudios clínicos y experimentales para desarrollar y validar completamente este modelo computacional.