ResponseVerdict overturns computationally validated immunotherapy signatures, recovers their missed responders and outperforms every published response predictor

La inmunoterapia contra el cáncer ha revolucionado la forma en que los médicos tratan la enfermedad, ofreciendo una manera de aprovechar el propio sistema inmunitario del cuerpo para cazar tumores. Para una minoría de pacientes, estos tratamientos producen remisiones duraderas, pero para muchos otros, los fármacos simplemente no funcionan. El desafío central para los oncólogos es saber de antemano qué pacientes se beneficiarán y cuáles no, ahorrando a estos últimos efectos secundarios y costes innecesarios, mientras se asegura que los primeros reciban la atención vital que necesitan. Para resolver esto, los científicos han pasado años intentando construir "firmas": listas específicas de genes en un tumor que actúan como una luz de advertencia, parpadeando en verde para un éxito probable o en rojo para un fracaso. La esperanza era que, al leer estos códigos genéticos, los médicos pudieran predecir el resultado antes de administrar una sola dosis de medicina.

Sin embargo, un nuevo análisis sugiere que el mapa que muchos investigadores han estado siguiendo es fundamentalmente erróneo. Un equipo de científicos ha examinado miles de estas firmas genéticas propuestas en años recientes y ha descubierto que, al probarlas con pacientes reales que recibieron tratamiento, no funcionan mejor que un intento al azar. El estudio revela que los métodos estándar utilizados para validar estas predicciones fueron engañosos, haciendo que los investigadores confundieran el panorama general de salud de un paciente con su reacción específica al fármaco. Al reemplazar estas herramientas defectuosas con un nuevo método que se basa estrictamente en resultados medidos de otros pacientes, los investigadores han creado un sistema que identifica consistentemente a más personas que realmente responden a la inmunoterapia.

El problema comenzó con la forma en que se construyeron estas firmas genéticas. La mayoría se desarrollaron utilizando datos de grandes bases de datos de muestras tumorales que contenían información sobre cuánto tiempo vivieron los pacientes, pero sin registro de si alguna vez habían recibido inmunoterapia. Debido a que los investigadores no tenían datos de tratamiento, ajustaron sus modelos para predecir la supervivencia. En muchos cánceres, un alto nivel de células inmunitarias en un tumor es en realidad una señal de un peor pronóstico si el paciente no es tratado, porque el sistema inmunitario está luchando por controlar la enfermedad. Cuando estos modelos fueron posteriormente reutilizados para predecir la respuesta a la inmunoterapia, la dirección se invirtió: los altos niveles inmunitarios que señalaban un futuro desfavorable fueron reinterpretados como una señal de que el sistema inmunitario estaba listo para combatir el fármaco. Esto creó una paradoja donde las mismas características que sugerían que un paciente tendría un mal desempeño sin tratamiento se utilizaron para predecir que le iría bien con él.

Para verificar estas predicciones, la comunidad científica confió fuertemente en una herramienta computacional llamada TIDE. Este software fue diseñado para estimar qué tan bien podría responder un tumor a la inmunoterapia observando signos de agotamiento inmunitario. El nuevo estudio encontró que el propio TIDE estaba malinterpretando los datos. Trataba la presencia de células inmunitarias agotadas —células que están presentes pero desgastadas— como una señal de fracaso, cuando en realidad, estas son a menudo las que pueden ser despertadas por el fármaco. Consecuentemente, TIDE frecuentemente etiquetaba tumores que en realidad eran ricos en células inmunitarias y propensos a responder como "no respondedores". Debido a que tantas firmas nuevas se construyeron para estar de acuerdo con TIDE, heredaron este error, llevando a un ciclo donde las predicciones incorrectas eran validadas por otras herramientas también incorrectas.

Los investigadores probaron esto reuniendo 1.566 firmas diferentes de más de 1.200 artículos científicos y aplicándolas a datos de más de 2.000 pacientes que realmente habían recibido inmunoterapia. Los resultados fueron contundentes: la gran mayoría de estas firmas no tenían capacidad para predecir quién respondería. Su precisión era indistinguible de lanzar una moneda al aire. De hecho, el estudio mostró que si uno eligiera un conjunto de genes al azar, pasaría las mismas pruebas de validación que estas complejas firmas pasaron, demostrando que las pruebas no estaban midiendo realmente la respuesta al tratamiento. Las firmas eran tan pobres que funcionaban peor que las medidas simples y más antiguas de actividad inmunitaria que habían estado disponibles durante años.

En respuesta a este fallo, el equipo desarrolló un nuevo enfoque llamado ResponseVerdict. En lugar de depender de simulaciones por computadora o del acuerdo con otras herramientas, este método observa directamente cómo respondieron realmente los pacientes en otros grupos al tratamiento. Utiliza esos resultados del mundo real para orientar los modelos de predicción, asegurando que la dirección de la predicción coinca con la realidad de la experiencia del paciente. Al ser probado contra las firmas antiguas y otros predictores establecidos, ResponseVerdict identificó consistentemente a más pacientes que se beneficiarían de la terapia. En una prueba específica que involucró a una cohorte prospectiva de pacientes donde los resultados aún no se conocían, el nuevo método identificó correctamente significativamente más respondedores que el estándar anterior.

El impacto de esta corrección se extiende más allá de mejores predicciones; cambia la forma en que se diseñan los experimentos y los ensayos clínicos. El estudio encontró que, debido a las firmas defectuosas, se estaban realizando muchos experimentos de laboratorio en tipos de células incorrectos, persiguiendo señales que en realidad no estaban impulsando la respuesta inmunitaria. Además, un ensayo clínico actual para el cáncer gástrico utiliza una de estas firmas defectuosas para decidir qué pacientes son elegibles. Los investigadores demostraron que esta regla estaba excluyendo inadvertidamente a pacientes que habrían respondido bien al tratamiento. Al usar el nuevo método, el ensayo podría haber incluido a más pacientes adecuados, cambiando potencialmente el resultado del ensayo.

Los investigadores también aplicaron su método para decidir cómo asignar fármacos en ensayos clínicos aleatorizados, un escenario donde el objetivo no es solo encontrar respondedores, sino dar el fármaco experimental a las personas que más se beneficiarán en comparación con la atención estándar. En un importante ensayo para el cáncer de riñón, el viejo método de predecir la sensibilidad al fármaco llevó a que los pacientes recibieran el tratamiento equivocado, costándoles meses de tiempo sin progresión de la enfermedad. Cuando los investigadores usaron su nueva regla de asignación, identificaron a un grupo de pacientes que ganaron una cantidad significativa de tiempo sin que su cáncer progresara, mientras que el resto del grupo no se benefició tanto. Esto sugiere que el nuevo método no solo puede predecir quién responderá, sino también optimizar quién recibe qué tratamiento para maximizar el beneficio general para un grupo de pacientes.

El estudio concluye que el campo ha estado operando sobre una base de acuerdo computacional en lugar de realidad medida. Al desplazar el enfoque de vuelta hacia los resultados reales de los pacientes y utilizar los datos que estaban disponibles en el momento en que se escribieron los artículos originales, los investigadores demostraron que un camino mejor siempre fue posible. El nuevo sistema no requiere nuevos datos ni tecnología futurista; simplemente requiere una forma diferente de hacer la pregunta. En lugar de preguntar si un modelo está de acuerdo con un programa de computadora, pregunta si el modelo está de acuerdo con los pacientes. Este cambio ya ha demostrado que puede recuperar docenas de respondedores adicionales por cada cien pacientes tratados, una ganancia que podría traducirse en mejoras significativas en la supervivencia y la calidad de vida de las personas que enfrentan el cáncer.