Investigadores del Johns Hopkins Kimmel Cancer Center y de la Facultad de Medicina de la Universidad Johns Hopkins desarrollaron un método computacional para predecir qué pacientes con carcinoma hepatocelular (HCC), un tipo primario de cáncer de hígado, se beneficiarían más de un tratamiento combinado de inmunoterapia y terapia dirigida que bloquea las señales de crecimiento de las que depende el tumor. El estudio, financiado en parte por los Institutos Nacionales de Salud (NIH, en inglés) de Estados Unidos, fue publicado en línea el 14 de julio en Proceedings of the National Academy of Sciences (PNAS).
De acuerdo con el resumen científico del trabajo, los modelos de farmacología de sistemas cuantitativa (QSP, en inglés) se utilizan cada vez más para predecir la respuesta a tratamientos y optimizar estrategias terapéuticas oncológicas, ya que simulan de forma mecanicista la progresión tumoral y las intervenciones farmacológicas. Sin embargo, estos modelos tradicionalmente carecen de resolución espacial para representar la arquitectura del microambiente tumoral. Al combinar el enfoque QSP con modelamiento basado en agentes, los investigadores crearon un marco de QSP espacial (spQSP) capaz de resolver la organización del tejido a nivel de célula individual, aunque calibrar estos modelos con datos de tumores humanos representaba, hasta ahora, un desafío importante.
Para este estudio, el equipo amplió un modelo spQSP existente de cáncer de hígado incorporando de manera mecanicista un módulo dedicado a los fibroblastos, y desarrolló un flujo de calibración basado en Computación Bayesiana Aproximada y Monte Carlo Secuencial que integra datos moleculares espaciales. Este marco de calibración ajusta las arquitecturas tumorales entre las simulaciones y los datos espaciales moleculares reales, comparando estadísticamente la organización de los vecindarios celulares. El modelo calibrado logró reproducir la exclusión de linfocitos infiltrantes mediada por fibroblastos, un fenómeno ya observado previamente mediante transcriptómica espacial, y predijo los estados espaciales tumorales posteriores al tratamiento en una cohorte independiente de pacientes que recibieron terapia combinada con un inhibidor de punto de control inmunitario y un inhibidor de tirosina cinasa.
El autor principal del estudio, Atul Deshpande, profesor asistente de oncología en la Facultad de Medicina de Johns Hopkins, explicó que muchos cánceres avanzan con rapidez, lo que deja poco tiempo a los médicos para probar distintas opciones quirúrgicas o terapéuticas.
“Muchos cánceres tienen un tiempo de progresión muy rápido, y los médicos no necesariamente tienen tiempo de intentar cirugía o distintos tratamientos, así que nuestra idea fue crear un modelo computacional donde pudiéramos simular probar diferentes dosis o combinaciones de terapias contra el cáncer, y esto podría ayudar a guiar a los médicos hacia las mejores opciones para los pacientes”.