VALÈNCIA (EP). Científicos del IRB Barcelona liderados por la investigadora ICREA Núria López-Bigas, con el apoyo de la Asociación Española Contra el Cáncer (AECC) en Aragón, han desarrollado un método computacional, denominado 'BoostDM', que estima la relevancia en el desarrollo del cáncer de todas las posibles mutaciones de un gen, en un determinado tipo de tumor.
Esta herramienta, publicada en la revista Nature, contribuirá, a juicio de los expertos, a entender cómo se causa un tumor a nivel molecular y podrá ayudar a los médicos en la elección de la terapia más adecuada para cada paciente.
En trabajos anteriores, ya puestos a disposición de la comunidad científica y médica, el laboratorio había desarrollado un método para identificar qué genes son responsables del inicio, el progreso o la expansión del cáncer.
"'BoostDM' va más allá: simula cada posible mutación, dentro de cada gen, para un tipo de cáncer específico y señala cuáles son clave en el proceso canceroso. Esto contribuye a entender cómo se causa un tumor a nivel molecular, y puede ayudar en la toma de decisiones médicas en el momento de elegir la terapia más adecuada para un paciente", ha explicado López-Bigas. Además, la herramienta contribuirá a entender mejor los procesos iniciales de la formación de tumores en los distintos tejidos.
La nueva herramienta se ha integrado en la plataforma 'IntOGen', desarrollada por el mismo grupo y diseñada para ser utilizada por la comunidad científica y médica en proyectos de investigación, y en el 'Cancer Genome Interpreter', también desarrollado por los investigadores, y más enfocado a la toma de decisiones clínicas por parte de médicos oncólogos.
Actualmente, 'BoostDM' trabaja con los perfiles mutacionales de 28.000 genomas analizados de 66 tipos de cáncer diferentes. El alcance será mayor con el previsible incremento de genomas de cáncer de acceso público.
Para hallar las mutaciones implicadas en el cáncer, los científicos se han basado en un concepto clave en la evolución: la selección positiva. Las mutaciones que favorecen el crecimiento y el desarrollo del cáncer se encuentran en número más elevado en las distintas muestras, en comparación con aquellas mutaciones que sucederían al azar.
"Partimos de la premisa de que algunas mutaciones solo las llegamos a observar porque las células tumorales con dicha mutación guían el desarrollo del tumor, y nos preguntamos qué distingue a esas mutaciones del resto de mutaciones posibles. Hacer esto de manera manual sería excesivamente laborioso, pero hay estrategias computacionales que permiten organizar este análisis de manera sistemática y eficiente", ha comentado el investigador postdoctoral y primer co-autor del trabajo, Ferran Muiños.
El método propuesto aprende, a partir de los datos, qué atributos son distintivos de las mutaciones que favorecen el desarrollo del cáncer, lo cual supone información útil para el desarrollo de nuevos enfoques terapéuticos.
La herramienta que han desarrollado los investigadores ya ha generado 185 modelos para identificar mutaciones en un gen en un tipo de cáncer. Por ejemplo, ha generado un modelo que ha identificado todas las posibles mutaciones que inician la formación del tumor del gen EGFR en algunos tipos de cáncer de pulmón, otro modelo para ese mismo gen en casos de glioblastoma (un tipo de cáncer que se genera en el cerebro), etc.
La técnica que han desarrollado permite generar nuevos modelos, de manera que tengamos modelos para todos los genes de cáncer en los próximos años, a medida que aumenten los datos de tumores secuenciados depositados en el dominio público y se puedan ir incorporando al sistema.
Cuando está desarrollado un modelo, se le puede interrogar sobre cada posible mutación de un gen de cáncer en un tipo de tejido (en un proceso conocido como "mutagénesis de saturación") y saber si es relevante o no para el desarrollo de la enfermedad.
Se genera así un mapa de mutaciones clave que genera un conocimiento muy valioso para la investigación del cáncer, así como para la medicina personalizada del cáncer y la toma de decisiones médicas. Los autores han demostrado que los modelos de predicción como BoostDM son más eficientes y precisos que los enfoques experimentales.
