As descobertas podem introduzir novas e precisas oportunidades baseadas em IA no cenário clínico, potencialmente levando a tratamentos personalizados para pacientes com formas letais de câncer.
Cientistas do Sylvester Comprehensive Cancer Center da University of Miami Miller School of Medicine, em colaboração com pesquisadores internacionais, desenvolveram um sofisticado algoritmo de IA que realiza análise computacional avançada para identificar potenciais alvos terapêuticos para glioblastoma multiforme (GBM) e outros tipos de câncer.
Sua pesquisa é descrita na edição de 2 de fevereiro da revista Nature Cancer e pode ter profundas implicações para o tratamento futuro do GBM, um tipo de câncer cerebral agressivo e geralmente fatal, e certos tipos de câncer de mama, pulmão e pediátrico.
“Nosso trabalho representa a ciência translacional que oferece oportunidades imediatas para mudar a forma como os pacientes com glioblastoma são tratados rotineiramente na clínica”, explicou Antonio Iavarone, M.D., vice-diretor do Sylvester Comprehensive Cancer Center e autor sênior do estudo. “Nosso algoritmo oferece aplicações para a medicina de precisão contra o câncer, dando aos oncologistas uma nova ferramenta para combater esta doença mortal e também outros tipos de câncer.”
O algoritmo AI, conhecido como SPHINKS – Substrate PHosphosite-based Inference for Network of KinaseS – implantou machine learning profunda para ajudar os pesquisadores a identificar e validar experimentalmente duas proteínas quinases (PKCd e DNAPKcs) como as culpadas associadas à progressão do tumor em dois subtipos de GBM e como potenciais alvos terapêuticos para outros tipos de câncer.
As proteínas quinases são os principais alvos atualmente usados na medicina de precisão contra o câncer para adaptar o tratamento às propriedades específicas do câncer de um paciente. As quinases mais ativas, que os pesquisadores rotularam de “quinases mestras” em seu artigo, são aquelas para as quais os médicos direcionam drogas direcionadas como uma marca registrada do tratamento atual do câncer.
Além de identificar as master quinases, o Dr. Iavarone e seus colegas usaram organoides tumorais cultivados em laboratório a partir de amostras de pacientes – o que eles chamaram de “avatares de tumores derivados de pacientes” – para mostrar que drogas direcionadas que interferem na atividade das master quinases podem frustrar crescimento tumoral.
Anteriormente, o Dr. Iavarone e sua equipe relataram uma nova classificação de glioblastoma, capturando as principais características das células tumorais e agrupando os pacientes com GBM com base em sua probabilidade de sobrevivência e vulnerabilidade de seus tumores a drogas. No novo estudo, essas classificações foram confirmadas de forma independente por meio de várias plataformas ômicas: genômica (genes), proteômica (proteínas), lipidômica (moléculas de gordura), acetilômica (epigenética), metabolômica (metabólitos) e outras.
O SPHINKS aproveita o machine learning para refinar esses conjuntos de dados ômicos e criar um interactoma – um conjunto completo de interações biológicas – para identificar as quinases que geram crescimento aberrante e resistência ao tratamento em cada subtipo de glioblastoma. Essas descobertas mostram que os dados multi-ômicos podem gerar novos algoritmos que prevêem quais terapias direcionadas podem fornecer as melhores opções terapêuticas com base no subtipo de glioblastoma de cada paciente.
“Agora podemos estratificar pacientes com glioblastoma com base em características biológicas que são comuns entre diferentes ômicos”, disse o Dr. Iavarone. “Ler apenas o genoma não foi suficiente. Precisávamos de dados mais abrangentes para identificar as vulnerabilidades do tumor”.
Apesar dos avanços para muitos outros tipos de câncer, os pacientes com glioblastoma enfrentam prognósticos sombrios – a taxa de sobrevida em cinco anos é inferior a 10%. Embora numerosos medicamentos estejam sendo desenvolvidos como terapia potencial, os médicos precisam de uma maneira de identificar os mecanismos moleculares que impulsionam a doença de cada paciente e são aplicáveis à medicina de precisão do câncer.
O algoritmo SPHINKS e métodos relacionados podem ser prontamente incorporados em laboratórios de patologia molecular, de acordo com os pesquisadores. Seu papel inclui um classificador clínico que pode ajudar a atribuir o subtipo de glioblastoma apropriado para cada paciente. A equipe também criou um portal online para acessar o algoritmo. Os autores acreditam que esta abordagem pode produzir informações perspicazes que podem beneficiar até 75% dos pacientes com glioblastoma.
“Este classificador pode ser usado basicamente em qualquer laboratório”, disse Anna Lasorella, M.D., professora de bioquímica e biologia molecular no Sylvester CCC e coautora sênior do estudo. “Ao importar as informações ômicas para o portal da web, os patologistas recebem informações de classificação para um tumor, dez tumores, quantos importam. Essas classificações podem ser aplicadas imediatamente ao atendimento ao paciente.”
Embora o SPHINKS tenha sido testado pela primeira vez em glioblastoma, o algoritmo é igualmente aplicável a vários outros tipos de câncer. A equipe encontrou as mesmas quinases causadoras de câncer em tumores de mama, pulmão e cérebro pediátrico. Drs. Iavarone e Lasorella e seus colegas acreditam que esta descoberta pode ser o impulso para um novo tipo de ensaio clínico.
“Estamos explorando o conceito de cestas experimentais”, explicou o Dr. Iavarone, “que incluiria pacientes com o mesmo subtipo biológico, mas não necessariamente os mesmos tipos de câncer. Se os pacientes com glioblastoma ou câncer de mama ou pulmão tiverem características moleculares semelhantes, eles poderiam ser incluídos no mesmo estudo”, continuou ele. “Em vez de fazer vários testes para um único agente, poderíamos conduzir um teste combinado e potencialmente levar medicamentos mais eficazes para mais pacientes com mais rapidez”.
Publicado em 07/02/2023 06h03
Artigo original:
Estudo original: