Em um estudo publicado na Nature Cancer, os pesquisadores do Sylvester Comprehensive Cancer Center, da Universidade de Miami Miller School of Medicine, descrevem um algoritmo de inteligência artificial (IA) projetado para identificar potenciais alvos terapêuticos para glioblastoma multiforme (câncer cerebral) e outros tipos de câncer, como pulmonar, de mama e pediátrico.
De acordo com o comunicado de imprensa discutindo o estudo, o câncer cerebral é um tipo de câncer agressivo e frequentemente fatal, com uma taxa de sobrevida de cinco anos inferior a 10%. Numerosos medicamentos estão sendo desenvolvidos como terapias potenciais, mas identificar os mecanismos moleculares que impulsionam a doença e aplicá-los às abordagens da medicina de precisão continua sendo um desafio.
Para resolver isso, os pesquisadores procuraram desenvolver um método para identificar melhor as proteínas quinases associadas à progressão do tumor. As quinases mais ativas, que os pesquisadores chamam de “quinases mestras”, são aquelas que são alvo de drogas e outras terapêuticas nos atuais tratamentos contra o câncer.
A equipe de pesquisa recorreu ao aprendizado de máquina (ML) para ajudar a identificar e validar experimentalmente duas quinases específicas associadas à progressão tumoral em dois subtipos de câncer cerebral e alguns outros subtipos de câncer de pulmão, mama e pediátrico.
O algoritmo, conhecido como Substrate PHosphosite-based Inference for Network of KinaseS (SPHINKS), baseia-se no trabalho anterior dos pesquisadores na classificação de glioblastoma. Em um estudo publicado no British Journal of Cancer em março de 2021, a equipe de pesquisa relatou que, ao capturar os principais traços das células tumorais e agrupar os pacientes com câncer cerebral com base na probabilidade de sobrevivência e na vulnerabilidade do tumor aos medicamentos, o algoritmo revelou uma nova classificação do glioblastoma.
No estudo, os pesquisadores confirmaram independentemente essas classificações por meio de várias plataformas ômicas, incluindo genômica, proteômica, lipidômica, acetilômica e metabolômica. Usando esses conjuntos de dados ômicos, o Sphinks cria um conjunto completo de interações biológicas, conhecido como interactoma, para determinar quais quinases impulsionam o crescimento tumoral e a resistência ao tratamento em cada subtipo de glioblastoma.
Essas descobertas destacam como os dados e algoritmos multiômicos podem ser usados para prever as terapias direcionadas que fornecerão as melhores opções de tratamento com base no subtipo de glioblastoma de cada paciente, afirma o comunicado à imprensa.
“Agora podemos estratificar pacientes com glioblastoma com base em características biológicas comuns entre diferentes ômicos”, disse Antonio Iavarone, médico e vice-diretor do Sylvester Comprehensive Cancer Center e autor sênior do estudo, no comunicado à imprensa. “Ler apenas o genoma não foi suficiente. Precisávamos de dados mais abrangentes para identificar as vulnerabilidades do tumor”, disse ele.
O estudo sugere que Sphinks e abordagens relacionadas podem ser prontamente incorporadas em laboratórios usando um classificador clínico e um portal online desenvolvido pelos pesquisadores juntamente com o algoritmo.
“Este classificador pode ser usado basicamente em qualquer laboratório”, disse Anna Lasorella, médica, professora de bioquímica e biologia molecular no Sylvester Comprehensive Cancer Center e co-autora sênior do estudo, no comunicado à imprensa. “Ao importar as informações ômicas para o portal da web, os patologistas recebem informações de classificação para um tumor, dez tumores, quantos importam. Essas classificações podem ser aplicadas imediatamente ao atendimento ao paciente.”
No futuro, os pesquisadores esperam alavancar a tecnologia em um novo tipo de ensaio clínico. “Estamos explorando o conceito de cesta de ensaios, que incluiria pacientes com o mesmo subtipo biológico, mas não necessariamente os mesmos tipos de câncer”, explicou Iavarone. “Se os pacientes com glioblastoma ou câncer de mama ou pulmão tiverem características moleculares semelhantes, eles poderiam ser incluídos no mesmo estudo. Em vez de fazer vários testes para um único agente, poderíamos conduzir um teste combinado e potencialmente levar medicamentos mais eficazes para mais pacientes com mais rapidez.”
