Predicción sin anotación de la respuesta a la inmunoterapia en melanoma utilizando datos transcriptómicos de células...

Área de la Ciencia:

• Oncología
• Inmunología
• Bioinformática

Sus antecedentes:

• Los inhibidores de puntos de control inmunitarios (ICIs) han revolucionado el tratamiento del melanoma avanzado, pero la predicción de la respuesta sigue siendo un desafío debido a la heterogeneidad tumoral.
• Los biomarcadores existentes como PD-L1 y la carga mutacional tumoral tienen una precisión predictiva limitada para el melanoma.
• Existe una necesidad crítica de biomarcadores novedosos para identificar a los pacientes que probablemente se beneficiarán de los ICIs.

Objetivo del estudio:

• Desarrollar y validar un modelo basado en inteligencia artificial (IA) para predecir la respuesta a la ICI en melanoma utilizando datos de secuenciación de ARN de células únicas (scRNA-seq).
• Identificar biomarcadores predictivos novedosos para la respuesta a la ICI sin requerir anotación de tipos celulares.
• Explorar las funciones funcionales y la significancia clínica de los biomarcadores identificados en el melanoma.

Principales métodos:

• Se entrenó un modelo de IA con datos de scRNA-seq de 16.290 células infiltrantes de tumores en melanoma.
• Se evaluaron múltiples algoritmos de IA, incluyendo Extreme Gradient Boosting, Random Forest y Redes Neuronales Convolucionales.
• El modelo con mejor rendimiento se validó utilizando tres conjuntos de datos independientes de secuenciación de ARN a granel.

Principales resultados:

• El modelo de IA logró un área bajo la curva de 0.87 en la predicción de la respuesta a la ICI.
• El modelo identificó 29 biomarcadores predictivos, destacando CCR7 y MTRNR2L2.
• CCR7 se asoció con una respuesta favorable a la ICI y una mejor supervivencia, expresado principalmente en células B y células T de memoria de los respondedores.
• MTRNR2L2 se asoció con la falta de respuesta y peores resultados, elevado en células T agotadas de los no respondedores.
• La expresión de CCR7 se asoció significativamente con el subtipo molecular inmunitario del melanoma.

Conclusiones:

• La modelización predictiva impulsada por IA de datos de scRNA-seq no anotados es un enfoque robusto para identificar biomarcadores clínicamente relevantes en melanoma.
• Los biomarcadores identificados, en particular CCR7, ofrecen potencial para mejorar la estratificación de pacientes y las estrategias de inmunoterapia personalizada.
• Este enfoque facilita una comprensión más profunda del panorama inmunitario en respondedores versus no respondedores a la terapia con ICI.