Predictor de aprendizaje automático multi-ómico de la respuesta al tratamiento del cáncer de mama

Área de la Ciencia:

• En el campo de la oncología
• Biología computacional
• La genómica

Sus antecedentes:

• Los cánceres de mama son ecosistemas complejos que involucran células malignas y el microambiente del tumor.
• La composición del ecosistema tumoral influye en la respuesta a la terapia citotóxica.
• Los predictores de respuesta existentes carecen de integración de este conocimiento.

Objetivo del estudio:

• Investigar el papel del ecosistema tumoral previo al tratamiento en la respuesta al tratamiento del cáncer de mama.
• Desarrollar modelos predictivos para los resultados del tratamiento utilizando datos multi-ómicos.
• Para correlacionar las características multi-ómicas previas a la terapia con los puntos finales de respuesta patológica.

Principales métodos:

• Recopilación de perfiles clínicos, de patología digital, genómicos y transcriptómicos de 168 biopsias de tumores de mama antes del tratamiento.
• Características multiómicas correlacionadas con respuesta patológica (respuesta completa o enfermedad residual) después del tratamiento.
• Desarrolló y validó un modelo de aprendizaje automático multi-ómico.

Principales resultados:

• La respuesta al tratamiento está modulada por el ecosistema tumoral previamente tratado.
• La enfermedad residual se correlaciona con características previas a la terapia como el paisaje mutacional del tumor, la proliferación y la infiltración inmune.
• Un modelo de aprendizaje automático multi-ómico logró un AUC de 0,87 en la predicción de la respuesta patológica completa en una cohorte externa.

Conclusiones:

• La respuesta al tratamiento está determinada por las características básicas del ecosistema tumoral.
• La integración de datos y el aprendizaje automático pueden capturar estas características para el modelado predictivo.
• Este enfoque tiene potencial para desarrollar predictores en otros tipos de cáncer.