Investigadores de Johns Hopkins han presentado una herramienta computacional diseñada para predecir el éxito de la inmunoterapia en pacientes con cáncer de mama triple negativo metastásico, lo que marca un avance significativo en el tratamiento personalizado del cáncer.
En un avance que está a punto de revolucionar el tratamiento personalizado del cáncer, investigadores del Centro Oncológico Kimmel de Johns Hopkins y de la Facultad de Medicina de la Universidad Johns Hopkins han desarrollado un método computacional innovador para identificar qué pacientes con cáncer de mama triple negativo metastásico tienen probabilidades de beneficiarse de la inmunoterapia. Este trabajo pionero fue publicado recientemente publicado en las Actas de la Academia Nacional de Ciencias.
La inmunoterapia aprovecha el sistema inmunológico del cuerpo para combatir las células cancerosas, pero sólo es efectiva para un subconjunto de pacientes.
"Es realmente importante que identifiquemos a los pacientes para quienes funcionará, porque la toxicidad de estos tratamientos es alta", dijo el autor principal Theinmozhi Arulraj, investigador postdoctoral en Johns Hopkins, en un comunicado de prensa.
El desafío de predecir con precisión la respuesta del paciente a la inmunoterapia ha llevado a los científicos a explorar biomarcadores predictivos: células o moléculas específicas dentro de los tumores que señalan posibles resultados del tratamiento.
“Desafortunadamente, los biomarcadores predictivos existentes tienen una precisión limitada para identificar a los pacientes que se beneficiarán con la inmunoterapia”, dijo en el comunicado de prensa el autor principal Aleksander Popel, profesor de ingeniería biomédica y oncología en la Facultad de Medicina de la Universidad Johns Hopkins.
Para abordar este problema, Popel y su equipo aplicaron un modelo matemático conocido como farmacología cuantitativa de sistemas para simular 1,635 pacientes virtuales con cáncer de mama triple negativo metastásico. Estas simulaciones, que incluían el fármaco de inmunoterapia pembrolizumab, les permitieron probar una variedad de biomarcadores utilizando herramientas computacionales avanzadas, incluidos algoritmos de aprendizaje automático.
Si bien los biomarcadores previos al tratamiento derivados de biopsias tumorales iniciales o muestras de sangre mostraron una capacidad predictiva limitada, los biomarcadores durante el tratamiento (mediciones tomadas después de comenzar la terapia) resultaron más eficaces. Sorprendentemente, los biomarcadores evaluados comúnmente, como la expresión de PD-L1 y la presencia de linfocitos, fueron mejores predictores de la respuesta cuando se evaluaron antes del inicio del tratamiento.
Además, el equipo evaluó biomarcadores sanguíneos menos invasivos.
“Las tasas de respuesta simulada aumentaron más del doble, del 11% al 25%, lo cual es bastante notable”, agregó Arulraj, enfatizando el potencial de los biomarcadores no invasivos cuando los métodos de biopsia tradicionales no son prácticos.
“Los pacientes con cáncer pueden beneficiarse enormemente de tratamientos personalizados”, añadió el coautor Cesar Santa-Maria, profesor asociado de oncología en el Centro Oncológico Kimmel de Johns Hopkins. “Los biomarcadores predictivos son fundamentales a medida que desarrollamos estrategias optimizadas para el cáncer de mama triple negativo, a fin de evitar el tratamiento excesivo en pacientes que se espera que evolucionen bien sin inmunoterapia y el tratamiento insuficiente en aquellas que no responden bien a la inmunoterapia”.
Esta investigación no solo hace avanzar el campo de la oncología computacional, sino que también destaca el potencial de aplicar metodologías similares a otros tipos de cáncer: un paso hacia una atención oncológica más integral y personalizada. Trabajo previo El trabajo del equipo de Johns Hopkins, que también incluyó un modelo computacional para el cáncer de mama en etapa avanzada, subraya su papel pionero en este dominio.
Los resultados alentadores de este estudio abren el camino para futuros ensayos clínicos y la posible replicación de estos métodos para diversos tipos de cáncer.
En última instancia, los avances en la identificación de biomarcadores predictivos podrían mejorar notablemente los resultados del tratamiento, transformando el pronóstico de muchos pacientes con cáncer y ofreciendo nuevas esperanzas para quienes luchan contra enfermedades metastásicas.