L’aprenentatge automàtic impulsa la medicina personalitzada del càncer

Cada tumor, cada pacient, acumula un elevat nombre de mutacions, però no totes aquestes mutacions són significatives per al desenvolupament del càncer. Científics de l'IRB Barcelona liderats per la investigadora ICREA Dra. Núria López-Bigas han desenvolupat una eina basada en mètodes d'aprenentatge automàtic que avalua la potencial contribució al desenvolupament i la progressió del càncer de totes les possibles mutacions en un gen, en un determinat tipus de tumor.

En treballs anteriors, ja posats a disposició de la comunitat científica i mèdica, el laboratori havia desenvolupat un mètode per identificar quins gens són responsables de l'inici, el progrés o l'expansió del càncer. "BoostDM va més enllà: simula cada possible mutació, dins de cada gen, per a un tipus de càncer específic, i assenyala quines són essencials en el procés cancerós. Això contribueix a entendre com es causa un tumor a nivell molecular, i pot ajudar en la presa de decisions mèdiques en el moment de triar la teràpia més adequada per a un pacient", explica la Dra. López-Bigas, cap de laboratori de Genòmica Biomèdica. A més, l'eina contribuirà a entendre millor els processos inicials de la formació de tumors en els diferents teixits.

La nova eina s'ha integrat a la plataforma IntOGen, desenvolupada pel mateix grup i dissenyada per ser utilitzada per la comunitat científica i mèdica en projectes d'investigació, i en el Cancer Genome Interpreter, també desenvolupat pels investigadors, i més enfocat a la presa de decisions clíniques per part de metges oncòlegs.

Actualment, BoostDM treballa amb els perfils mutacionals de 28.000 genomes analitzats de 66 tipus de càncer diferents. L'abast de BoostDM serà més gran amb el previsible increment de genomes de càncer d'accés públic.

Un desenvolupament basat en la biologia evolutiva

Per trobar les mutacions implicades en el càncer, els científics s'han basat en un concepte clau en l'evolució: la selecció positiva. Les mutacions que afavoreixen el creixement i el desenvolupament del càncer es troben en nombre més elevat en les diferents mostres, en comparació amb aquelles mutacions que succeirien a l'atzar.

"Partim de la premissa que algunes mutacions només les arribem a observar perquè les cèl·lules tumorals amb aquesta mutació guien el desenvolupament del tumor, i ens preguntem què distingeix a aquestes mutacions de la resta de mutacions possibles", explica el Dr. Ferran Muiños, investigador postdoctoral i primer co-autor del treball. "Fer això de manera manual seria excessivament laboriós, però hi ha estratègies computacionals que permeten organitzar aquesta anàlisi de manera sistemàtica i eficient", afegeix.

El mètode proposat aprèn, a partir de les dades, quins atributs són distintius de les mutacions que afavoreixen el desenvolupament del càncer, la qual cosa suposa informació útil per al desenvolupament de nous enfocaments terapèutics.

Un model computacional per a cada gen i tipus de càncer

L'eina que han desenvolupat els investigadors ja ha generat 185 models per identificar mutacions en un gen, en un tipus de càncer. Per exemple: ha generat un model que ha identificat totes les possibles mutacions que inicien la formació del tumor del gen EGFR en alguns tipus de càncer de pulmó, un altre model per a aquest mateix gen en casos de glioblastoma (un tipus de càncer que es genera en el cervell), etc.

La tècnica que han desenvolupat permet generar nous models, de manera que tinguem models per a tots els gens de càncer en els propers anys, a mesura que augmentin les dades de tumors seqüenciats dipositats en el domini públic i es puguin anar incorporant en el sistema.

Quan està desenvolupat un model, se li pot interrogar sobre cada possible mutació d'un gen de càncer en un tipus de teixit (en un procés conegut com “mutagènesi de saturació”) i saber si és rellevant o no per al desenvolupament de la malaltia. Es genera així un mapa de mutacions essencials que genera un coneixement molt valuós per a la investigació del càncer, així com per a la medicina personalitzada del càncer i la presa de decisions mèdiques. Els autors han demostrat que els models de predicció com BoostDM són més eficients i precisos que els enfocaments experimentals.

Els autors d'aquest article són: el Dr.Ferran Muiños (Doctor en Matemàtiques i investigador postdoctoral del laboratori de Genòmica Biomèdica i primer coautor del treball), el Dr. Francisco Martinez-Jimenez (anteriorment investigador postdoctoral del laboratori de Genòmica Biomèdica, actualment investigador postdoctoral a la UMC Utrecht i primer coautor del treball), el Dr. Oriol Pich (anteriorment estudiant de doctorat de laboratori de Genòmica Biomèdica, actualment investigador postdoctoral a Crick Institute, a Londres), el Dr. Abel González-Pérez (investigador associat del laboratori de Genòmica Biomèdica, que ha codirigit el treball) i la Dra. Núria López Bigas (investigadora ICREA i cap del laboratori de Genòmica Biomèdica de l'IRB Barcelona, que ha codirigit l'estudi).

Aquest treball ha estat possible gràcies al finançament rebut per l'European Research Council (ERC), la Institució Catalana de Recerca i Estudis Avançats (ICREA), l’Associació Espanyola Contra el Càncer (AECC), el Ministeri espanyol de Ciència i Innovació, el Fons Europeu de Desenvolupament Regional (FEDER), l’Agència de Gestió d'Ajuts Universitaris i de Recerca (AGAUR), l’Instituto de Salud Carlos III (ISCIII) i el Barcelona Institute of Science and Technology (BIST).
 

Article de referència:
In silico saturation mutagenesis of cancer genes
Ferran Muiños, Francisco Martinez-Jimenez, Oriol Pich, Abel Gonzalez-Perez & Nuria Lopez-Bigas
Nature (2021) DOI: 10.1038/s41586-021-03771-1