Biomedicina · global
La IA interpreta la actividad génica tumoral y podría hacer más precisa la selección de pacientes para inmunoterapia
Los inhibidores de puntos de control inmunitario pueden beneficiar a largo plazo a una minoría de pacientes con cáncer, pero también exponen a muchas personas a tratamientos ineficaces y efectos secundarios. El nuevo modelo de un equipo de Harvard vuelve a centrar la atención en las interacciones moleculares entre el tumor y el sistema inmunitario, aunque aún necesita validación prospectiva antes de convertirse en una herramienta de decisión clínica.
Lo más estimulante de la inmunoterapia es también uno de sus mayores retos clínicos: una misma clase de fármacos puede mantener controlado el cáncer de algunos pacientes durante mucho tiempo, pero tener poco efecto en otros. Si fuera posible determinar con mayor precisión antes del tratamiento quién podría beneficiarse, los médicos tendrían que esperar menos a ciegas y los pacientes podrían soportar durante menos tiempo un tratamiento ineficaz.
Según Medical Xpress, el modelo de inteligencia artificial COMPASS, desarrollado por un equipo de investigación de la Facultad de Medicina de Harvard y colaboradores, busca predecir la respuesta de pacientes con cáncer a los inhibidores de puntos de control inmunitario (ICIs). Los resultados del estudio se publicaron en Nature Medicine. Estos fármacos actúan liberando frenos inmunitarios como PD-1, PD-L1 o CTLA-4, lo que permite que las células T vuelvan a reconocer y atacar las células cancerosas, pero la respuesta varía mucho entre distintos tipos de cáncer y entre individuos.
COMPASS no analiza una sola mutación genética, sino la actividad de cerca de 16.000 genes relacionados con estados de células inmunitarias, interacciones en el microambiente tumoral y vías de señalización. El equipo de investigación entrenó primero el modelo con datos de más de 10.000 tumores de 33 tipos de cáncer del Atlas del Genoma del Cáncer, y luego lo ajustó y probó con resultados de 16 ensayos clínicos de inhibidores de puntos de control inmunitario que abarcaban 7 tipos de cáncer.
En cuanto al método de evaluación, los investigadores adoptaron un diseño de exclusión de ensayos clínicos uno por uno: retiraban temporalmente los datos de un ensayo, hacían que el modelo predijera qué pacientes de ese ensayo responderían, y luego comparaban esas predicciones con los resultados reales. El informe señaló que COMPASS mejoró en promedio el rendimiento predictivo frente a los mejores métodos existentes en aproximadamente un 8,5% hasta casi un 10%, y mantuvo su ventaja en distintos tipos de cáncer, esquemas farmacológicos, plataformas de secuenciación del transcriptoma y fuentes de muestras de tejido.
Un aspecto especialmente significativo de este estudio es que el diseño del modelo enfatiza la interpretabilidad, en lugar de limitarse a generar una puntuación alta o baja. Según el informe, COMPASS puede señalar pistas biológicas detrás de la predicción; por ejemplo, algunos tumores que parecen tener una infiltración suficiente de células inmunitarias aun así no responden, posiblemente por programas de expresión génica relacionados con la supresión de la acción inmunitaria. A la inversa, algunos tumores de tipo “desierto inmunitario”, aunque carecen de características típicas de infiltración, podrían aun así portar señales moleculares que promueven otras actividades inmunitarias.
Si estos resultados se sostienen en futuros ensayos clínicos prospectivos, COMPASS podría convertirse en una herramienta de apoyo para los médicos al seleccionar inhibidores de puntos de control inmunitario, y también podría ayudar a los ensayos clínicos a reclutar con mayor precisión a participantes adecuados. Para la investigación, las señales generadas por un modelo interpretable también podrían apuntar a nuevas dianas farmacológicas o hipótesis de tratamientos combinados.
Sin embargo, la evidencia disponible sigue procediendo principalmente de datos existentes y validación retrospectiva, y no puede equipararse directamente a una herramienta diagnóstica lista para uso clínico. Antes de llegar realmente al entorno asistencial, todavía deberán responderse varias preguntas: qué tan estable es el modelo en distintos hospitales y poblaciones, si las pruebas de expresión génica necesarias pueden estandarizarse, cómo afectarían los errores de predicción a la elección del tratamiento, y cómo evaluarán los organismos reguladores este tipo de herramientas médicas de IA que evolucionan a medida que se actualizan los datos.