La metilación del ADN de la sangre periférica predice el inicio temprano del tumor primario en los portadores de la mutación TP53
Video Experimental Relacionado
Updated: Sep 10, 2025

Genome-Wide Analysis of DNA Methylation in Gastrointestinal Cancer
Published on: September 18, 2020
Vallijah Subasri1,2,3, Benjamin Brew1, Brianne Laverty1,2
1Genetics and Genome Biology Program, The Hospital for Sick Children, Toronto, ON, Canada.
Los pacientes con síndrome de Li-Fraumeni (LFS) con variantes patógenas de TP53 (PV) ahora pueden beneficiarse de la predicción personalizada del riesgo de cáncer. Un nuevo modelo de aprendizaje automático identifica a los niños con alto riesgo de tumores de aparición temprana, mejorando la vigilancia y los resultados para los pacientes.
Área de la Ciencia:
- Genética y genómica
- En el campo de la oncología
- La bioinformática
Sus antecedentes:
- El síndrome de Li-Fraumeni (LFS) es un síndrome de predisposición hereditaria al cáncer causado por variantes patógenas de la línea germinal TP53.
- Los protocolos de vigilancia actuales, como el Protocolo de Toronto, ofrecen un cribado exhaustivo pero carecen de personalización para los riesgos individuales de cáncer.
- Se necesitan estrategias de detección a medida para optimizar la detección temprana de tumores en portadores de PV TP53.
Objetivo del estudio:
- Desarrollar y validar un modelo predictivo para tumores primarios de aparición temprana (< 6 años) en portadores de PV TP53.
- Personalizar la vigilancia del cáncer mediante la estratificación del riesgo individual basado en datos de metilación de la sangre periférica.
- Mejorar el manejo clínico y los resultados de los pacientes mediante una evaluación precisa de los riesgos.
Principales métodos:
- Se desarrolló un modelo de máquina vectorial de soporte utilizando datos de metilación de sangre periférica de 237 portadores PV de TP53.
- El modelo fue validado en una cohorte de 64 pacientes y probado externamente en 79 pacientes.
- Se evaluaron métricas de rendimiento que incluyen AUROC, puntuación F1 y valor predictivo negativo (VPN).
Principales resultados:
- El modelo logró un alto rendimiento con un AUROC de 0,928, una puntuación F1 de 0,692 y un VAN de 0,984.
- La precisión general fue del 91%, identificando correctamente al 90% de los pacientes con cáncer de inicio temprano y al 87% de los individuos libres de cáncer en el conjunto de pruebas externas.
- El modelo demostró un potencial significativo para la estratificación del riesgo de tumores malignos de aparición temprana.
Conclusiones:
- Una nueva herramienta de aprendizaje automático predice eficazmente los tumores de inicio temprano en pacientes con síndrome de Li-Fraumeni.
- Esta estratificación personalizada del riesgo puede optimizar los protocolos de vigilancia clínica.
- El modelo desarrollado es prometedor para mejorar los resultados de los pacientes al permitir intervenciones oportunas y específicas.
Más Videos Relacionados
07:47Author Spotlight: Unveiling Transmembrane Protein Family-Related Markers in Gastric Cancer and Implications for Targeted Therapies
Published on: September 15, 2023
13:21Comprehensive DNA Methylation Analysis Using a Methyl-CpG-binding Domain Capture-based Method in Chronic Lymphocytic Leukemia Patients
Published on: June 16, 2017
Videos de Conceptos Relacionados
Epigenetic Regulation
Abnormal Proliferation