In uno studio pubblicato su Nature Cancer agli inizi di febbraio 2023, i ricercatori del Sylvester Comprehensive Cancer Center dell’Università di Miami Miller School of Medicine hanno descritto un algoritmo di intelligenza artificiale progettato per identificare potenziali bersagli terapeutici per il glioblastoma multiforme (GBM) e altri tumori.
Il team di ricerca si è rivolto all’apprendimento automatico per aiutare a identificare e convalidare sperimentalmente due particolari chinasi associate alla progressione tumorale in due sottotipi di GBM e alcuni altri sottotipi di tumori polmonari, mammari e pediatrici.
Secondo il comunicato stampa che discute lo studio, il GBM è un tipo aggressivo, e spesso fatale, di cancro al cervello con un tasso di sopravvivenza a cinque anni inferiore al 10%. Numerosi farmaci sono in fase di sviluppo come potenziali terapie, ma identificare i meccanismi molecolari che guidano la malattia e applicarli agli approcci di medicina di precisione rimane una sfida.
Per affrontare questo problema, i ricercatori hanno cercato di sviluppare un metodo per identificare meglio le proteine chinasi associate alla progressione del tumore. Le chinasi più attive, che i ricercatori chiamano “chinasi master”, sono quelle che sono prese di mira da farmaci e altre terapie negli attuali trattamenti contro il cancro.
Substrate PHosphosite-based Inference for Network of KinaseS (SPHINKS)
L’algoritmo, denominato Substrate PHosphosite-based Inference for Network of KinaseS (SPHINKS), si basa sul precedente lavoro dei ricercatori nella classificazione del glioblastoma. In uno studio pubblicato sul British Journal of Cancer nel marzo 2021, il team di ricerca ha riferito che catturando i tratti chiave delle cellule tumorali e raggruppando i pazienti GBM in base alla loro probabilità di sopravvivenza e alla vulnerabilità del loro tumore ai farmaci, l’algoritmo ha rivelato una nuova classificazione del glioblastoma.
Nello studio, i ricercatori hanno confermato in modo indipendente queste classificazioni attraverso varie piattaforme omiche, tra cui genomica, proteomica, lipidomica, acetilomica e metabolomica. Utilizzando questi set di dati omici, SPHINKS crea un set completo di interazioni biologiche, noto come interattoma, per determinare quali chinasi guidano la crescita tumorale e la resistenza al trattamento in ciascun sottotipo di glioblastoma.
Questi risultati evidenziano come i dati e gli algoritmi multi-omici possono essere utilizzati per prevedere le terapie mirate che forniranno le migliori opzioni di trattamento in base al sottotipo di glioblastoma di ciascun paziente.
“Ora possiamo stratificare i pazienti con glioblastoma in base alle caratteristiche biologiche che sono comuni tra le diverse omiche”, ha detto Antonio Iavarone, MD, vicedirettore del Sylvester Comprehensive Cancer Center e autore senior dello studio, nel comunicato stampa. “Leggere il genoma da solo non è stato sufficiente. Abbiamo bisogno di dati più completi per identificare le vulnerabilità tumorali”.
Lo studio suggerisce che SPHINKS e approcci correlati possono essere facilmente incorporati nei laboratori utilizzando un classificatore clinico e un portale online sviluppato dai ricercatori insieme all’algoritmo.
“Questo classificatore può essere utilizzato praticamente in qualsiasi laboratorio”, ha detto Anna Lasorella, MD, professore di biochimica e biologia molecolare presso il Sylvester Comprehensive Cancer Center e co-autore senior dello studio, nel comunicato stampa. “Importando le informazioni omiche nel portale web, i patologi ricevono informazioni di classificazione per un tumore, dieci tumori, quanti ne importano. Queste classificazioni possono essere applicate immediatamente alla cura del paziente”.
In futuro i ricercatori sperano di sfruttare la tecnologia in un nuovo tipo di sperimentazione clinica.
“Stiamo esplorando il concetto di studi panieri, che includerebbero pazienti con lo stesso sottotipo biologico ma non necessariamente gli stessi tipi di cancro”, ha spiegato Iavarone. “Se i pazienti con glioblastoma o cancro al seno o al polmone hanno caratteristiche molecolari simili, potrebbero essere inclusi nello stesso studio. Piuttosto che fare più studi per un singolo agente, potremmo condurre uno studio combinato e potenzialmente portare farmaci più efficaci a più pazienti più velocemente”.
