Aprendizaje automático para predecir el pronóstico del glioblastoma

GRAMOEl lioblastoma (GBM) es el tumor maligno más común y agresivo del sistema nervioso central, con una tasa de supervivencia a cinco años tan baja como 6,8 por ciento.¹ Los tumores GBM son heterogéneos, lo que plantea importantes desafíos para el pronóstico y el tratamiento. Estas células tumorales no sólo tienen diferentes perfiles de expresión, sino que sus subtipos celulares y organización espacial también pueden variar entre los pacientes, según estudios que utilizan la secuenciación de ARN unicelular.secuencia de ARNc).²

Si bien estos experimentos anteriores proporcionaron a los investigadores perfiles de transcriptoma de células tumorales, la disociación del tejido requerida para las preparaciones de muestras de scRNA-seq significó que no podían capturar la dinámica espacial de las interacciones celulares. Retener información espacial mientras se evalúa el pronóstico del GBM es importante porque las interacciones celulares y la arquitectura del tumor desempeñan un papel fundamental en la conducción. evolución clonal, progresión del tumory resistencia terapéutica.^3-5 Por lo tanto, los investigadores recientemente Desarrolló técnicas de elaboración de perfiles transcriptómicos espaciales en tejido intacto para explorar cómo la composición celular y la arquitectura espacial contribuyen al pronóstico de GBM.⁶

Un problema con este nuevo enfoque es que la scRNA-seq y la transcriptómica espacial son costosas y tienen aplicaciones clínicas limitadas, ya que no se analizan de forma rutinaria como parte del diagnóstico del cáncer. Sin embargo, existen métodos económicos para el pronóstico del GBM. Por ejemplo, aunque la tinción de secciones de tejido para obtener imágenes histológicas no proporciona datos del transcriptoma ni información espacial, este procedimiento está ampliamente disponible y es más fácil de obtener. En una reciente Comunicaciones de la naturaleza En el artículo, los investigadores combinaron estos métodos de alta y baja tecnología para desarrollar una herramienta de pronóstico de GBM que predice subtipos transcripcionales a partir de imágenes histológicas.⁷

“Estamos muy interesados ​​en reunir muchas modalidades de datos diferentes”, dijo Olivier Gevaert, experto en informática biomédica de la Universidad de Stanford y autor principal del artículo. “Especialmente vinculando, por ejemplo, modalidades de imágenes con otros tipos de modalidades como datos moleculares”.

Para construir esta herramienta, Gevaert y su equipo primero determinaron cómo se organizaban espacialmente las células con diferentes perfiles de transcriptoma. Analizaron tres conjuntos de datos de transcriptómica espacial de 22 pacientes con GBM para diferenciar las manchas malignas del tejido normal. Para determinar diferentes subtipos transcripcionales, los investigadores analizaron los transcriptomas de estos puntos malignos. En un enfoque complementario, estimaron las fracciones de diferentes tipos de células dentro de cada lugar utilizando conjuntos de datos de scRNA-seq de referencia. A través de estos enfoques, los investigadores identificaron cinco subtipos de células distintas que podrían afectar el pronóstico de los pacientes con GBM. Estas poblaciones celulares incluían previamente reportado estados celulares con propiedades de progenitor neural, progenitor de oligodendrocitos, astrocitos y mesenquimales.⁸

Para descubrir si estos subtipos transcripcionales podrían predecirse directamente a partir de imágenes histológicas, los investigadores desarrollaron un modelo de aprendizaje profundo. Después de entrenar, evaluar y validar este modelo, Gevaert y sus colegas fenotiparon más de 40 millones de manchas de tejido a partir de 920 imágenes de diapositivas completas en dos cohortes independientes y construyeron mapas celulares de alta resolución en 410 pacientes con GBM. El análisis de los datos reveló que el pronóstico del GBM difería significativamente entre los subtipos transcripcionales. Las células tumorales que expresan transcripciones inducidas por hipoxia mostraron el peor pronóstico. Además, la agrupación de células similares a los astrocitos condujo a un peor pronóstico, mientras que la dispersión y conexión de estos tipos de células con otros subtipos se correlacionaron con un mejor pronóstico. En conjunto, estos datos muestran que la respuesta de las células tumorales a un ambiente hipóxico y a la inflamación conduce a un mal pronóstico del GBM.

Para que sus modelos de imágenes entrenados sean accesibles para futuras investigaciones, los investigadores desarrollaron GBM360, un software fácil de usar que predice y visualiza subtipos transcripcionales y pronósticos a partir de imágenes histológicas. “Esto no está aprobado para uso clínico”, dijo Gevaert. “Es más bien una demostración… donde la gente puede subir sus diapositivas y luego aplicar nuestro modelo”.

“Sus observaciones y conclusiones podrían ser útiles para crear biomarcadores histológicos virtuales en el futuro”. Aydogan Ozcán, dijo en un correo electrónico un experto en aprendizaje automático de la Universidad de California en Los Ángeles que no participó en el estudio. Sin embargo, señaló que “sería importante evaluar a mayor escala cuán transferibles son estos modelos entre diferentes poblaciones de pacientes y tumores malignos”.

Referencias:

1. Ostrom QT, et al. Informe estadístico CBTRUS: tumores cerebrales primarios y otros tumores del sistema nervioso central diagnosticados en los Estados Unidos en 2012-2016. Neuro Oncol. 2019;21(Suplemento 5):v1-v100.
2. Tanay A, et al. Escalando la genómica unicelular desde la fenomenología al mecanismo. Naturaleza. 18 de enero de 2017; 541 (7637): 331-338.
3. Hara T, et al. Las interacciones entre las células cancerosas y las células inmunitarias impulsan las transiciones a estados mesenquimales en el glioblastoma. Célula cancerosa. 2021;39(6):779-792.e11.
4. Venkataramani V, et al. La entrada sináptica glutamatérgica a las células de glioma impulsa la progresión del tumor cerebral. Naturaleza. 2019;573(7775):532-538.
5. Osswald M, et al. Las células tumorales cerebrales se interconectan a una red funcional y resistente. Naturaleza. 2015;528(7580):93-98.
6. Ravi VM, et al. La multiómica resuelta espacialmente descifra la interdependencia bidireccional tumor-huésped en el glioblastoma. Célula cancerosa. 2022;40(6):639-655.e13.
7. Zheng Y, et al. La arquitectura celular espacial predice el pronóstico del glioblastoma. comuna nacional. 2023;14(1):4122.
8. Neftel C, et al. Un modelo integrador de estados celulares, plasticidad y genética para el glioblastoma.. Celúla. 2019;178(4):835-849.e21.