IA mejora predicción de respuesta a inmunoterapia en cáncer de pulmón

Las terapias de control de puntos de control inmunitario benefician solo a un subconjunto de pacientes, mientras que los biomarcadores estándar a menudo tienen dificultades para predecir quién responderá. La caracterización tumoral con resolución espacial puede aportar un contexto biológico más profundo, pero genera conjuntos de datos complejos que son difíciles de comparar entre casos. Un lenguaje común y cuantitativo para la arquitectura tumoral podría fortalecer la toma de decisiones terapéuticas. Nuevos hallazgos muestran que comparar los “planos” tumorales derivados de la transcriptómica espacial puede predecir la respuesta a la inmunoterapia mejor que un biomarcador actual.

En la Universidad de Chicago, investigadores desarrollaron herramientas analíticas basadas en IA que traducen perfiles de transcriptómica espacial en “planos” cuantificables del microambiente tumoral. El enfoque agrupa células y actividad génica en “grupos espaciales” jerárquicos, proporcionando dimensiones estandarizadas de cómo está organizada una biopsia. Al centrarse en estos grupos espaciales en lugar de en poblaciones celulares o genes individuales, el método permite comparaciones objetivas entre tumores.

El equipo analizó datos de transcriptómica espacial publicados de 262 tumores sólidos y derivó fórmulas estadísticas que describen cómo las células se autoorganizan dentro del microambiente tumoral. Estos “planos” se incorporaron luego a un espacio latente comparativo, lo que permitió a los analistas calcular métricas de distancia y evaluar la similitud entre casos. El marco proporciona un lenguaje común para examinar la estructura espacial emergente en distintos tipos de tumores.

Para evaluar la relevancia clínica, un laboratorio de cáncer de pulmón de la Universidad de Chicago aportó 16 muestras tumorales de cáncer de pulmón de células no pequeñas (CPCNP) vinculadas a resultados de inmunoterapia. Cuando los tumores se compararon por grupos espaciales dentro del espacio latente, el enfoque identificó qué pacientes con CPCNP responderían a la inmunoterapia con mayor precisión que el biomarcador actual de referencia.

Los autores indican que las herramientas pueden aplicarse a distintos tipos de tumores y describen esfuerzos en curso para generar clases espaciales sintéticas, o plantillas canónicas, con fines de evaluación comparativa por otros investigadores.

El estudio se publica en Cell Reports Medicine el 28 de agosto de 2026. Las colaboraciones en curso dentro de la Universidad de Chicago están ampliando el marco al cáncer de ovario para estudiar las respuestas a la quimioterapia.

"La verdadera promesa de la IA es que puedes hacer cosas que los humanos no pueden hacer. No se trata de generar imágenes o escribir código y texto. En realidad, se trata de usarla para hacer cosas que empujen la frontera hacia adelante", dijo Arjun Raman, M.D., Ph.D., profesor asistente de patología en UChicago y autor principal del nuevo artículo.

“Como oncólogo, te verás enormemente potenciado con herramientas como esta. Podrías tener a una persona que llega con su unicornio de tumor. Entonces realizas un perfilado, metes los datos en el espacio comparativo y, en unas pocas horas, puedes ver si debería o no recibir el régimen X. Ese sería el sueño algún día, tener una oncología de precisión que no sea solo una promesa, sino que se manifieste como una intersección entre la teoría computacional, la medicina y la biología”, añadió Raman.

Enlaces relacionados
Universidad de Chicago

Visitar la expo >

Miembro Platino

Analizador de coagulación automatizado

Hemolumi H6

βeta-Hydroxybutyrate Reagent
β-Hydroxybutyrate LiquiColor®

All-in-One Molecular System

AIO M160

Miembro Oro

Solución de biomarcadores proteicos en sangre para la enfermedad de Alzheimer

BG-DTi2000.