Pesquisadores desenvolveram um modelo de aprendizado profundo (DL) capaz de prever fragmentos de proteínas relacionadas ao câncer que podem provocar uma resposta imune, o que pode ajudar no avanço de terapias personalizadas contra o câncer. A equipe, composta por investigadores do Instituto Johns Hopkins de Medicina Computacional, do Centro de Câncer Johns Hopkins Kimmel, da Engenharia Biomédica Johns Hopkins e do Instituto Bloomberg-Kimmel de Imunoterapia do Câncer, descreveu a ferramenta em um estudo recente da Nature Machine Intelligence.
A ferramenta, conhecida como BigMHC, foi projetada para prever e identificar fragmentos de proteínas em células cancerígenas que têm o potencial de desencadear uma resposta imune destruidora de células tumorais. Ao fazer isso, o modelo pode ajudar os pesquisadores a obter informações sobre a resposta à imunoterapia.
“A imunoterapia contra o câncer é projetada para ativar o sistema imunológico de um paciente para destruir as células cancerígenas”, explicou Rachel Karchin, PhD, professora de engenharia biomédica, oncologia e ciência da computação e membro central do Institute for Computational Medicine, no comunicado à imprensa. “Uma etapa crítica no processo é o reconhecimento do sistema imunológico das células cancerígenas por meio da ligação das células T a fragmentos de proteínas específicas do câncer na superfície celular.”
Os fragmentos de proteína que desencadeiam essa resposta às vezes são o resultado de mutações ou outras alterações na composição genética de uma célula cancerosa. Esses neoantígenos associados à mutação estão presentes no tumor de cada paciente e determinam a composição única do tumor.
O comunicado de imprensa observa que os pesquisadores podem analisar o genoma de um tumor para identificar qual desses neoantígenos ele possui. Esse processo ajuda a determinar quais neoantígenos têm maior probabilidade de provocar uma resposta imune que mata o tumor, que os pesquisadores podem usar para desenvolver imunoterapias personalizadas e vacinas contra o câncer.
No entanto, os métodos atuais disponíveis para sinalizar esses neoantígenos são muitas vezes caros e demorados, exigindo experimentos laboratoriais úmidos e trabalhosos. Essas dificuldades limitaram os dados de validação de neoantígenos disponíveis aos pesquisadores, inibindo inovações na área.
Para combater isso, os pesquisadores desenvolveram o BigMHC, um método baseado em rede neural profunda para validação de neoantígenos. O modelo foi treinado em um processo de duas etapas via aprendizado de transferência.
Na primeira etapa, o BigMHC foi “ensinado” a identificar antígenos na superfície celular. Esses antígenos se apresentam em um estágio inicial da resposta imune, tornando os dados sobre eles mais fáceis de obter e adicionar aos conjuntos de dados. Usando esses grandes conjuntos de dados como base para o aprendizado do modelo, a equipe de pesquisa treinou o BigMHC no reconhecimento de células T, para o qual há menos dados disponíveis. Ao treinar o modelo na apresentação de antígenos, os pesquisadores puderam “transferir” o conhecimento do modelo para a previsão de antígenos imunogênicos sem a necessidade de uma grande quantidade de dados.
O BigMHC superou significativamente quatro outros modelos de predição para apresentação de antígenos e sete outros modelos para identificação de neoantígenos imunogênicos.
“Existe uma necessidade clínica urgente e não atendida de adaptar a imunoterapia contra o câncer ao subconjunto de pacientes com maior probabilidade de se beneficiar, e o BigMHC pode lançar luz sobre as características do câncer que impulsionam a estranheza do tumor, desencadeando assim uma resposta imune antitumoral eficaz”, disse a coautora do estudo Valsamo “Elsa” Anagnostou, doutora, PhD, diretora do biorrepositório de oncologia torácica, líder do Johns Hopkins Molecular Tumor Board e Precision Oncology Analytics, e professora associado de oncologia no Kimmel Cancer Center.
No futuro, a equipe trabalhará para testar o BigMHC em vários ensaios clínicos de imunoterapia, em um esforço para avaliar sua capacidade de ajudar os pesquisadores a filtrar milhares de neoantígenos para determinar quais têm maior probabilidade de desencadear uma resposta imune.
“A esperança é que o BigMHC possa orientar os imunologistas do câncer no desenvolvimento de imunoterapias que possam ser usadas para vários pacientes ou desenvolver vacinas personalizadas que aumentem a resposta imunológica de um paciente para matar suas células cancerígenas”, disse o principal autor Benjamin Alexander Albert, ex-aluno da graduação e estudante pesquisador nos departamentos de engenharia biomédica e ciência da computação na Johns Hopkins University e atualmente estudante de doutorado na Universidade da California, em San Diego.