Herramienta de IA mejora la precisión de la biopsia líquida para seleccionar terapias contra el cáncer

La hematopoyesis clonal relacionada con la edad en los glóbulos blancos puede generar variantes que imitan mutaciones tumorales y complican la interpretación, especialmente en pacientes que ya han recibido tratamiento. Este ruido diagnóstico puede llevar a una selección errónea de la terapia oncológica. Nuevos hallazgos demuestran un enfoque de aprendizaje automático que clasifica el origen de las mutaciones en el ADN libre de células plasmáticas, mejorando la precisión de los resultados de la biopsia líquida.

Investigadores del Centro Oncológico Kimmel de Johns Hopkins (Baltimore, MD, EE. UU.) desarrollaron plasmaCHORD, un modelo de aprendizaje automático diseñado para determinar si las variantes detectadas en el plasma provienen del tumor o de los glóbulos blancos. Este enfoque aborda un desafío preanalítico específico en la interpretación de biopsias líquidas, al filtrar el ruido biológico que puede conducir a una selección incorrecta del tratamiento.

El modelo analiza patrones de fragmentación del ADN libre circulante (ADNlc) que difieren entre el ADN derivado de tumores y el ADN derivado de leucocitos, generando perfiles de fragmentación de ADNlc distintos. Además de las firmas de fragmentación, el algoritmo incorpora la edad del paciente y el contexto genómico, incluyendo el gen y el tipo de mutación. Estas características combinadas permiten estimar el origen de cada variante detectada en los resultados de biopsias líquidas de rutina.

Los investigadores entrenaron plasmaCHORD utilizando muestras de biopsia líquida de 225 pacientes con cáncer de mama, colorrectal, esofágico, ovárico o de pulmón de células no pequeñas, y verificaron su precisión mediante la secuenciación de células tumorales y leucocitos para determinar el origen real de las mutaciones detectadas. Se realizó una prueba externa en una cohorte independiente de 114 pacientes con cáncer de mama, próstata o de pulmón de células no pequeñas de otra institución que utilizó una plataforma de secuenciación de biopsia líquida diferente. En ese conjunto de validación, el modelo mejoró la clasificación correcta de mutaciones clínicamente relevantes de aproximadamente el 50 % al 83 %, lo que demuestra un rendimiento consistente en todas las plataformas.

El trabajo también proporcionó una prueba de concepto de utilidad clínica: las predicciones del origen de las mutaciones ayudaron a los médicos a evitar seleccionar terapias probablemente ineficaces para los pacientes evaluados en la Junta de Tumores Moleculares de Johns Hopkins. La investigación se publicó el 1 de mayo en Clinical Cancer Research . Otros colaboradores del estudio fueron la Universidad de Vanderbilt, LabCorp, el Instituto Holandés del Cáncer y el Centro Médico Universitario de Utrecht.

“Alrededor de un tercio de las mutaciones detectadas en biopsias líquidas sin tumor conocido pueden originarse en los glóbulos blancos, y nuestra capacidad para adaptar terapias dirigidas al perfil genómico de cada paciente depende de poder distinguir las mutaciones tumorales del ruido biológico”, afirmó Valsamo Anagnostou, M.D., Ph.D., profesora Alex Grass de Oncología y líder del Comité Molecular de Tumores de Johns Hopkins en la Facultad de Medicina de la Universidad Johns Hopkins.

"Cuando se realiza una biopsia líquida y se recibe el informe, y se observan mutaciones, no se sabe si estas provienen del tumor o de los glóbulos blancos. Si se desea seleccionar un fármaco dirigido a mutaciones para tratar el cáncer, es fundamental asegurarse de que el tratamiento se centra en las mutaciones del tumor y no en las de los glóbulos blancos", afirmó Jenna Canzoniero, MD, MS, coautora principal y profesora adjunta de oncología en la Facultad de Medicina de la Universidad Johns Hopkins.

Enlaces relacionados
Centro Oncológico Kimmel de Johns Hopkins