Integrated Multi-Omics and Network-Based Identification of Prognostic Cell-Cycle Hub Genes in Lung cancer

Resumen Técnico: Identificación de genes centrales del ciclo celular con valor pronóstico en el cáncer de pulmón mediante la integración de multi-ómica y redes

Planteamiento del problema
El cáncer de pulmón (CP) sigue siendo la principal causa de mortalidad relacionada con el cáncer a nivel mundial, con aproximadamente 1,8 millones de muertes registradas en 2022. A pesar de los avances en terapias dirigidas (p. ej., inhibidores de EGFR, ALK, KRAS) e inmunoterapia, los resultados clínicos suelen verse limitados por el diagnóstico en etapas tardías, la heterogeneidad tumoral, la resistencia a fármacos y la falta de marcadores pronósticos documentados globalmente. Los sistemas de estadificación actuales (AJCC) y las limitaciones clínico-patológicas frecuentemente oscurecen un pronóstico preciso, lo que hace necesaria la identificación de nuevos y robustos biomarcadores para mejorar el diagnóstico, el abordaje terapéutico y la predicción de la supervivencia del paciente.

Metodología
El estudio empleó un enfoque integral de redes y multi-ómica in silico para identificar genes centrales (hub genes) pronósticos:

1. Adquisición y preprocesamiento de datos: Se recuperaron datos transcriptómicos de tres conjuntos de datos de GEO (GSE81089, GSE40419, GSE141569). Los datos brutos de RNA-seq pasaron por un control de calidad (FastQC), recorte de adaptadores (Cutadapt), alineación con el genoma de referencia humano (GRCh38.p14) mediante STAR y conteo de lecturas mediante featureCounts.
2. Análisis de expresión diferencial: Los efectos de lote se corrigieron mediante ComBat-seq. Los genes diferencialmente expresados (DEG) se identificaron utilizando el paquete DESeq2, aplicando una distribución binomial negativa. Los genes se clasificaron como significativos con un valor p ajustado < 0,05 y un |log2FC| > 2.
3. Enriquecimiento funcional: El enriquecimiento de la Ontología Génica (GO) se realizó utilizando el paquete topGO (algoritmo weight01, prueba exacta de Fisher). El Análisis de Enriquecimiento de Conjuntos de Genes (GSEA) se llevó a cabo mediante el paquete fgsea a través de las bases de datos MSigDB Hallmark, KEGG y Reactome para identificar cambios a nivel de vías.
4. Construcción de redes e identificación de genes centrales: Se construyó una red de Interacción Proteína-Proteína (PPI) utilizando la base de datos STRING (puntuación de confianza > 0,4) y se visualizó mediante Cytoscape. Se analizaron las 1.000 interacciones superiores. Los genes centrales fueron identificados mediante el complemento CytoHubba, empleando seis algoritmos topológicos: Grado (Degree), Centralidad de Máximo Clique (MCC), Componente de Vecindad Máxima (MNC), Componente de Percolación de Aristas (EPC), Radialidad y Cercanía (Closeness). La intersección de estos métodos produjo los candidatos finales de genes centrales.
5. Validación multi-ómica:
   • Alteraciones genéticas: Se analizaron mediante cBioPortal para evaluar mutaciones, variaciones en el número de copias (CNV) y amplificaciones.
   • Regulación epigenética: Los niveles de metilación del promotor se examinaron utilizando la base de datos UALCAN (datos de TCGA).
   • Infiltración inmunitaria: Se evaluaron las correlaciones entre la expresión de los genes centrales y la infiltración de células inmunitarias (células B, células T CD4+/CD8+, neutrófilos, macrófagos, células dendríticas) utilizando TIMER 2.0.
   • Análisis de supervivencia: El valor pronóstico se validó mediante el servidor GEPIA2 (gráficos de Kaplan-Meier y Razones de Riesgo/Hazard Ratios).

Resultos clave

• Expresión diferencial: El análisis identificó 6.849 DEG significativos (4.846 sobreexpresados, 2.003 subexpresados).
• Activación de vías: El GSEA reveló una activación significativa de las vías relacionadas con el ciclo celular (objetivos de E2F, puntos de control G2M, replicación del ADN, objetivos de MYC) y vías metabólicas (Glucólisis, mTORC1). Por el contrario, las vías relacionadas con la inmunidad (Complemento, Respuesta Inflamatoria, señalización de TNF-α, Respuesta al Interferón Gamma) se vieron significativamente suprimidas.
• Identificación de genes centrales: Se identificaron cuatro genes centrales de manera consistente en los seis métodos topológicos: CDK1, CCNB1, CCNA2 y TOP2A.
• Perfiles genéticos y epigenéticos:
  • CDK1, CCNB1 y TOP2A: Exhibieron hipometilación del promotor en tejidos tumorales, lo que correlaciona con su sobreexpresión. Las alteraciones genéticas incluyeron mutaciones de sentido erróneo (missense), amplificaciones y ganancias de número de copias.
  • CCNA2: Mostró hipermetilación del promotor a pesar de su sobreexpresión, lo que sugiere una regulación mediante otros mecanismos transcripcionales o post-transcripcionales. Presentó principalmente mutaciones de sentido erróneo.
• Correlación inmunitaria: Los cuatro genes centrales mostraron correlaciones significativas con la infiltración de células inmunitarias. Notablemente, generalmente mostraron correlaciones negativas con las células B y las células T CD4+/CD8+, y correlaciones positivas con los neutrófilos, lo que indica un papel en la modulación del microambiente inmunológico tumoral.
• Valor pronóstico: El análisis de supervivencia confirmó que la expresión elevada de estos cuatro genes se asocia significativamente con una supervivencia global (OS) deficiente.
  • CDK1 y CCNA2: Razón de Riesgo (HR) = 1,9.
  • CCNB1: HR = 1,8.
  • TOP2A: HR = 1,5.
  • Todas las asociaciones fueron estadísticamente significativas (Log-rank p < 0,05).

Significancia y afirmaciones
Los autores afirman que el análisis integrado identifica con éxito a CDK1, CCNB1, CCNA2 y TOP2A como biomarcadores pronósticos auspiciosos y posibles dianas terapéuticas para el cáncer de pulmón. El estudio postula que estos genes caracterizan la desregulación de los puntos de control del ciclo celular, la inestabilidad cromosómica y la remodelación del microambiente inmunológico en el cáncer de pulmón.

El artículo concluye que estos genes centrales ofrecen una comprensión molecular detallada de la progresión del cáncer de pulmón, lo que potencialmente podría ayudar en el desarrollo de técnicas diagnósticas innovadoras y estrategias terapéuticas. Sin embargo, los autores señalan modestamente que, aunque los hallazgos in silico son robustos, se requiere de una mayor validación experimental y clínica para confirmar la prioridad biológica y el potencial terapéutico de estos biomarcadores en cohortes reales de pacientes. El trabajo no propone formulaciones de fármacos nuevos específicamente, sino que sugiere que se podrían planificar inhibidores dirigidos a estos indicadores para inhibir el crecimiento y la metástasis del cáncer de pulmón.