Um novo estudo liderado por pesquisadores da Brighton and Sussex Medical School (BSMS) revelou uma abordagem inovadora para prever a eficácia de tratamentos para pacientes com Linfoma Difuso de Grandes Células B (LDGCB), uma forma comum de câncer no sangue.
Os pesquisadores utilizaram dados de sequenciamento genômico para criar simulações personalizadas de pacientes individuais que podem quantificar o impacto de mutações genéticas no comportamento das células cancerígenas. Este método inovador promete abrir caminho para a medicina personalizada, que revolucionará a tomada de decisões clínicas e avançará no tratamento de cânceres sanguíneos heterogêneos.
A equipe de pesquisa, liderada pelo Dr. Simon Mitchell, leitor em Biologia de Sistemas de Câncer na BSMS e financiada pela Leukaemia UK e UKRI, focou em alavancar dados genômicos de pacientes com DLBCL para simular como mutações específicas afetam a sinalização antiapoptótica e pró-proliferativa dentro das células cancerígenas. Ao contrário das abordagens tradicionais que dependem de agrupamento mutacional, as simulações forneceram uma compreensão mais abrangente da interação entre múltiplas mutações. Em vez de agrupar pacientes que compartilham mutações comuns, sua abordagem agrupa os pacientes com base no impacto das mutações dentro de redes de sinalização complexas.
O estudo descobriu que simulações personalizadas identificaram com sucesso pacientes com prognósticos variados (sombrio, intermediário e bom) em vários conjuntos de dados. Isso foi alcançado usando dados de sequenciamento de exoma completo (WES) ou painéis de sequenciamento direcionados, fornecendo previsões robustas apesar da heterogeneidade mutacional. Ao contrário de muitas abordagens estatísticas, a precisão preditiva das simulações melhorou com conjuntos de dados de validação maiores, enfatizando a importância de integrar o conhecimento da rede molecular na análise. Os modelos foram particularmente eficazes em identificar pacientes com mutações concomitantes que promovem tanto a proliferação de células cancerígenas quanto a resistência à apoptose — e encontraram pacientes que seriam perdidos pelos métodos tradicionais de agrupamento.
Comentando sobre o estudo, o Dr. Mitchell disse: “Este estudo apoia a integração do sequenciamento genético no estágio de diagnóstico do DLBCL para determinar melhor o prognóstico do paciente. À medida que os custos do sequenciamento diminuem, esperamos que esta abordagem se torne uma prática de diagnóstico padrão, permitindo a identificação precisa de pacientes que podem se beneficiar de tratamentos alternativos.
“Este estudo marca um passo significativo na busca por tratamento personalizado do câncer. Ao aproveitar o poder da modelagem computacional para colocar dados genômicos no contexto, esperamos abrir caminho para previsões prognósticas mais precisas e estratégias terapêuticas personalizadas. Acreditamos que tais abordagens prometem uma nova era de medicina de precisão para pacientes com câncer de sangue e potencialmente muitos outros.”
O Dr. Simon Ridley, Diretor de Pesquisa e Advocacia da Leukaemia UK, acrescentou:
“Estamos entusiasmados por termos apoiado o novo trabalho do Dr. Mitchell e sua equipe. Este estudo representa um progresso significativo em direção à medicina estratificada, permitindo tratamentos mais direcionados que podem levar a melhorias substanciais no tratamento de pacientes diagnosticados com câncer no sangue. Ao usar ferramentas computacionais para modelar os cânceres no sangue de diferentes pacientes, os clínicos podem eventualmente prever quais pacientes responderão melhor a vários tipos de tratamento. Este trabalho é um ótimo exemplo do que pode ser alcançado por meio das John Goldman Fellowships da Leukaemia UK, onde nos esforçamos para financiar os pesquisadores em início de carreira mais inovadores com o potencial de acelerar o progresso na pesquisa do câncer no sangue.”
Além do DLBCL, as técnicas de modelagem computacional demonstradas neste estudo têm o potencial de serem aplicadas a outros tipos de câncer, particularmente aqueles caracterizados por alta heterogeneidade genética. À medida que os dados genômicos se tornam mais amplamente disponíveis e os métodos computacionais continuam a evoluir, essas simulações personalizadas podem desempenhar um papel crítico na era da medicina de precisão, adaptando tratamentos a perfis genéticos individuais para melhores resultados para os pacientes.
