Las repeticiones de secuencias de ADN, con frecuencia conocidas como “ADN basura” o “materia oscura“, que se encuentran en los cromosomas y que podrían contribuir al cáncer u otras enfermedades han sido difíciles de identificar y caracterizar.
Ahora, los investigadores del Centro Oncológico Johns Hopkins Kimmel, en Estados Unidos, han desarrollado un enfoque novedoso que utiliza el aprendizaje automático para identificar estos elementos en el tejido canceroso, así como en el ADN libre de células (cfDNA), fragmentos que se excretan de los tumores y flotan en el torrente sanguíneo.
Este nuevo método podría proporcionar un medio no invasivo para detectar cánceres o controlar la respuesta a la terapia. El aprendizaje automático es un tipo de inteligencia artificial que utiliza algoritmos informáticos y de datos para realizar tareas complejas y acelerar la investigación.
En las pruebas de laboratorio, el método, llamado ARTEMIS (Análisis de RepeaT EleMents en dISease) examinó más de 1,200 tipos de elementos repetidos (‘ADN basura’) que comprendían casi la mitad del genoma humano, e identificó que un gran número de repeticiones que no se sabía anteriormente que estaban asociadas con el cáncer se alteraron en la formación de tumores.
Los investigadores también pudieron identificar los cambios en estos elementos en el ADNf, proporcionando una forma de detectar el cáncer y determinar en qué parte del cuerpo se originó. Una descripción del trabajo se publicó este 13 de marzo en Science Translational Medicine.
“Cuando piensas en los genes del cáncer existentes y en las secuencias de ADN que los rodean, están llenos de estas repeticiones”, dice Victor E. Velculescu, autor del estudio. “Hasta ARTEMIS, este ‘ADN basura’ del genoma fue esencialmente ignorado, pero ahora estamos viendo que estas repeticiones no ocurren al azar”, dice Velculescu.
“Terminan agrupados en torno a genes que se alteran en el cáncer de una variedad de maneras diferentes, proporcionando la primera visión de que estas secuencias pueden ser clave para el desarrollo de tumores”, añade.
En una serie de pruebas de laboratorio, los investigadores examinaron por primera vez la distribución de 1.200 millones de kmers (secuencias cortas de ADN) que definían repeticiones únicas, encontrándolas enriquecidas en genes comúnmente alterados en los cánceres humanos.
Por ejemplo, de los 736 genes que se sabe que producen el cáncer, 487 contenían un número promedio de secuencias repetidas quince veces mayor de lo esperado. Estas secuencias de repetición también aumentaron significativamente en los genes involucrados en las vías de señalización celular que comúnmente están desreguladas en los cánceres.
Utilizando la secuenciación de próxima generación, una tecnología que permite a los investigadores examinar rápidamente las secuencias de genomas enteros, los investigadores también buscaron ver si las secuencias repetidas se alteraban directamente en los cánceres.
Utilizaron ARTEMIS para analizar más de 1,200 tipos distintos de elementos repetidos en tumores y tejidos normales de 525 pacientes con diferentes cánceres que participaron en el Análisis Pancáncer de Genomas Completos (PCAWG), y encontraron una mediana de 807 elementos alterados en cada tumor. Casi dos tercios de estos elementos (820 de 1,280) no se habían observado previamente como alterados en los cánceres humanos.
Luego, utilizaron un modelo de aprendizaje automático para generar una puntuación de ARTEMIS para cada muestra para proporcionar un resumen de los cambios de elementos repetidos en todo el genoma que eran predictivos del cáncer.
Las puntuaciones de ARTEMIS distinguieron los 525 tumores de los participantes de PCAWG de los tejidos normales con un alto rendimiento (AUC=0,96) en todos los tipos de cáncer analizados, donde 1 es una puntuación perfecta. El aumento de las puntuaciones de ARTEMIS se asoció con una supervivencia general más corta y libre de progresión, independientemente del tipo de tumor.
A continuación, los investigadores evaluaron el potencial de ARTEMIS para la detección no invasiva del cáncer. Aplicaron la herramienta a muestras de sangre de 287 personas con y sin cáncer de pulmón que participaron en el Estudio Danés de Detección del Cáncer de Pulmón (LUCAS).
ARTEMIS clasificó a los pacientes con cáncer de pulmón con un área por debajo de la curva (AUC) de 0,82. Pero cuando se utiliza con otro método llamado DELFI (evaluación de ADN de fragmentos para la intercepción temprana), un ensayo desarrollado previamente por Velculescu y otros miembros de su grupo, que detecta cambios en el tamaño y la distribución de los fragmentos de cfDNA en todo el genoma. El modelo combinado clasificó a los pacientes con cáncer de pulmón con un AUC de 0,91.
Se observó un rendimiento similar en un grupo de 208 personas en riesgo de cáncer de hígado, en el que ARTEMIS detectó a personas con cáncer de hígado, entre otras con cirrosis o hepatitis viral con un AUC de 0,87. Cuando se combina con DELFI, el AUC aumentó a 0,90.
Finalmente, evaluaron si el análisis de sangre de ARTEMIS podía identificar en qué parte del cuerpo se originó un tumor en pacientes con cáncer. Cuando se entrena con información de los participantes de PCAWG, la herramienta podría clasificar la fuente de los tejidos tumorales con una precisión promedio de 78 por ciento entre 12 tipos de tumores.
Luego, los investigadores combinaron ARTEMIS y DELFI para evaluar muestras de sangre de un grupo de 226 individuos con tumores de mama, ovario, pulmonar, colorrectal, del conducto biliar, gástrico o pancreático. Aquí, el modelo clasificó correctamente a los pacientes entre los diferentes tipos de cáncer con una precisión promedio de 68 por ciento, que mejoró a 83 por ciento cuando se permitió que el modelo sugiriera dos posibles tipos de tumores en lugar de un solo tipo de cáncer.
“Nuestro estudio muestra que ARTEMIS puede revelar paisajes repetidos en todo el genoma que reflejan los dramáticos cambios subyacentes en los cánceres humanos”, dice el estudio. “Al iluminar el llamado ‘genoma oscuro’, el trabajo ofrece una visión única del genoma del cáncer y proporciona una prueba de concepto para la utilidad de los paisajes de repetición de todo el genoma como biomarcadores de tejido y sangre para la detección, caracterización y monitoreo del cáncer”.
Los siguientes pasos son evaluar el enfoque en ensayos clínicos más grandes, dice Velculescu: “Puedes imaginar que esto podría usarse para la detección temprana de una variedad de tipos de cáncer, pero también podría tener usos en otras aplicaciones, como el monitoreo de la respuesta al tratamiento o la detección de recurrencias. Esta es una frontera totalmente nueva”. N
