Atlas impulsado por IA mapea estructuras inmunes vinculadas a resultados del cáncer

Las estructuras linfoides terciarias se perfilan como indicadores importantes de la inmunidad antitumoral, pero su heterogeneidad y contexto espacial dentro de los tumores siguen siendo difíciles de detectar mediante diagnósticos rutinarios. Se necesitan herramientas escalables para convertir estas características en biomarcadores reproducibles para el pronóstico y la respuesta al tratamiento. Nuevos hallazgos demuestran un enfoque de inteligencia artificial que crea un atlas pancáncer de estas estructuras y deriva una puntuación compuesta vinculada a los resultados de los pacientes.

El Centro Oncológico MD Anderson de la Universidad de Texas (Houston, TX, EE. UU.) desarrolló marcos de IA escalables y un atlas espacial pancáncer para caracterizar las estructuras linfoides terciarias (TLS) en diversos tipos de tumores. El trabajo, publicado en la revista Science, indica que el estado de maduración, la ubicación espacial y la composición celular de las TLS dentro de los tumores aportan información clínicamente relevante que va más allá de su simple presencia o ausencia. El equipo también introdujo una puntuación de composición de TLS destinada a estratificar a los pacientes según su pronóstico y respuesta al tratamiento.

El atlas se construyó mediante la detección, el perfilado y la clasificación de TLS a partir de conjuntos de datos ómicos espaciales y preparaciones histológicas de rutina. Utilizando estos marcos, los investigadores analizaron 340 muestras que abarcan 12 tipos de cáncer para definir las características de los TLS en su contexto espacial nativo e identificar programas transcripcionales asociados con la maduración de los TLS.

El estudio informa que, a medida que los TLS maduran, exhiben una mayor organización con cambios coordinados en los componentes inmunitarios, estromales y vasculares, y que la proximidad a las células tumorales se alinea con gradientes espaciales de señalización tumoral.

Para ampliar la traslación a los flujos de trabajo clínicos, el modelo de IA identificó y clasificó rápidamente las TLS a partir de imágenes patológicas de portaobjetos completos. En 10 cohortes independientes que abarcan más de 3.000 imágenes de portaobjetos completos y 25.088 TLS, la puntuación de composición derivada integró el número de TLS y los estados de maduración. Según el informe, este enfoque superó a las medidas convencionales de TLS para estratificar el pronóstico y la respuesta al tratamiento en diversos tipos de cáncer y contextos de tratamiento.

Los autores señalan que muchas estructuras TLS permanecen inmaduras y, en ocasiones, se localizan lejos de las regiones tumorales, lo que plantea interrogantes sobre cómo promover su maduración y mejorar las interacciones espaciales con las células tumorales. Afirman que el método de puntuación compuesta requiere validación en ensayos clínicos prospectivos y, de tener éxito, podría respaldar un uso más amplio del perfilado de TLS con imágenes patológicas generadas de forma rutinaria.

“Antes de este estudio, la mayor parte de la atención se centraba en si las TLS eran biomarcadores y, en algunos casos, si estaban maduras. Aquí demostramos que podemos profundizar mucho más. Las TLS en los tejidos tumorales son mucho más complejas. Su estado de maduración, ubicación espacial y composición dentro de los tumores pueden brindarnos información crucial sobre el microambiente inmunitario tumoral, la respuesta al tratamiento y los resultados clínicos”, dijo Linghua Wang, MD, Ph.D., profesora de Medicina Genómica y directora ejecutiva del Centro de Inteligencia del Lenguaje Celular del Centro Oncológico MD Anderson de la Universidad de Texas.

Enlaces relacionados
UT MD Anderson Cancer Center

Visitar la expo >

Miembro Platino

Analizador de coagulación automatizado

Hemolumi H6

βeta-Hydroxybutyrate Reagent
β-Hydroxybutyrate LiquiColor®

New

Alzheimer's Disease Biomarker Assay

Elecsys Phospho-Tau (217P) Plasma

Miembro Oro

Lector rapido de tarjetas

EASY READER+