A Clinical Evidence-Guided Bioinformatics Framework for Expanding Cisplatin-Based Combination Therapies in Cervical Cancer

Resumen Técnico: Un marco bioinformático guiado por evidencia clínica para la expansión de las terapias combinadas basadas en cisplatino en el cáncer cervical

Planteamiento del problema
La terapia combinada basada en cisplatino sigue siendo la piedra angular del tratamiento sistémico para el cáncer cervical avanzado. Sin embargo, la identificación de socios terapéuticos eficaces para expandir estos regímenes se ve obstaculizada por una heterogeneidad tumoral significativa y el número exponencial de combinaciones de fármacos potenciales. Las plataformas computacionales existentes se centran principalmente en el análisis retrospectivo de pares de fármacos generados experimentalmente o en la predicción de sinergias arbitrarias. Estos enfoques suelen carecer de un vínculo directo con los esquemas de tratamiento clínicamente establecidos y proporcionan un contexto mecánico limitado sobre por qué se deberían priorizar combinaciones específicas. En consecuencia, existe la necesidad de un marco que comience con regímenes investigados clínicamente, evalúe sistemáticamente si la adición de agentes adicionales mejora su desempeño farmacológico dentro de modelos biológicos específicos e integre evidencia multiómica para proporcionar hipótesis terapéuticas explicables.

Metodología
Los autores desarrollaron una plataforma de soporte a la decisión computacional guiada por evidencia clínica, implementada como una aplicación interactiva de R Shiny. El flujo de trabajo procede a través de las siguientes capas secuenciales:

1. Definición de la evidencia clínica: Se curaron regímenes que contienen cisplatino e investigados clínicamente a partir de ClinicalTrials.gov. Estos regímenes sirvieron como estructuras de referencia (backbones). Solo se retuvieron para el análisis computacional las combinaciones con perfiles farmacológicos correspondientes en la base de datos Genomics of Drug Sensitivity in Cancer (GDSC2).
2. Reconstrucción y simulación farmacológica: Los perfiles de dosis-respuesta específicos del modelo se reconstruyeron a partir de los parámetros ajustados de GDSC2 (EC50, pendiente de Hill, asíntotas). Los regímenes de referencia se simularon en líneas celulares de cáncer cervical elegibles. Las adiciones de un tercer fármaco candidato se evaluaron frente a estas referencias utilizando cuatro modelos de interacción: Independencia de Bliss, HSA (Highest Single Agent), Aditividad de Loewe y Potencia de Interacción Cero (ZIP).
3. Estrategia de priorización de candidatos: En lugar de aplicar un umbral de sinergia universal, los candidatos se priorizaron basándose en si mejoraban el desempeño farmacológico (por ejemplo, la puntuación de Bliss) del régimen de referencia clínico específico dentro del mismo modelo biológico. Esto permitió la distinción entre la potencia intrínseca de la monoterapia y el beneficio específico de la combinación.
4. Integración de evidencia mecánica: La priorización farmacológica se contextualizó mediante la integración de tres capas de evidencia complementarias:
   • Genómica funcional: Puntuaciones de dependencia de genes mediante CRISPR de la base de datos Cancer Dependency Map (DepMap) para evaluar la esencialidad del objetivo.
   • Transcriptómica: Niveles de expresión génica (TPM) para evaluar la disponibilidad del objetivo.
   • Mutaciones somáticas: El estado de mutación de los genes diana para proporcionar contexto genómico.
5. Marco de aprendizaje en grafos: Se construyó una red de convolución de grafos (GCN) donde los fármacos candidatos son nodos y las aristas representan similitudes ponderadas derivadas de las respuestas farmacológicas, los mecanismos de acción, los objetivos moleculares y la evidencia genómica. Esto permitió una priorización a nivel de sistemas, propagando la información a través de compuestos biológicamente relacionados.
6. Contextualización a nivel de paciente: Los objetivos moleculares priorizados se proyectaron en una cohorte transcriptómica de pacientes independiente (GSE299125, que comprende mujeres kenianas con y sin VIH) para identificar subgrupos de pacientes donde las vulnerabilidades terapéuticas estuvieran transcripcionalmente representadas.
7. Validación: El marco de aprendizaje en grafos fue validado internamente utilizando validación cruzada, análisis ROC, matrices de confusión, Análisis de Curva de Decisión (DCA) y métricas de agrupamiento de grafos, comparándolo con la regresión logística de solo farmacología y los niveles de prevalencia.

Resultados clave

• Heterogeneidad específica del modelo: Los regímenes de cisplatino establecidos clínicamente (por ejemplo, cisplatino-paclitaxel) exhibieron una sustancial heterogeneidad en las interacciones farmacológicas a través de diferentes modelos de cáncer cervical. Algunos modelos mostraron interacciones sinérgicas, mientras que otros mostraron antagonismo, lo que refuerza la necesidad de una evaluación comparativa específica del modelo por encima de los umbrales globales.
• Priorización de un tercer fármaco: En un cribado sin restricciones de 286 candidatos contra la estructura de cisplatino-paclitaxel, los fármacos terceros mejor clasificados variaron significativamente según el modelo. Por ejemplo, la Glutatión fue el principal candidato para C-33 A, mientras que el Navitoclax fue el principal para HeLa. El marco identificó con éxito candidatos que mejoraban el régimen de referencia, distinguiéndolos de aquellos que eran simplemente potentes como monoterapia.
• Discordancia mecánica: La integración de la dependencia de CRISPR reveló que la mejora farmacológica no siempre se correlacionaba con una fuerte dependencia del objetivo canónico del fármaco. Para los candidatos antiangiogénicos, las dependencias se encontraron a menudo en reguladores del ciclo celular (PLK4, CDK2) en lugar de en los objetivos vasculares canónicos (KDR, FLT1). Además, la alta expresión del objetivo no predijo consistentemente la dependencia funcional, y las mutaciones somáticas fueron raras (3.8% de las asociaciones) y no predictivas del beneficio farmacológico.
• Desempeño del aprendizaje en grafos: La red de convolución de grafos alcanzó un ROC-AUC agrupado de 0.907 en la validación cruzada, superando al modelo de regresión logística de solo farmacología (AUC 0.840) y a la línea base de prevalencia (AUC 0.671). El Análisis de Curva de Decisión demostró que el modelo de grafos proporcionaba un mayor beneficio neto en modelos específicos (por ejemplo, Ca Ski, SiHa, SISO) a través de varios umbrales de probabilidad.
• Proyección de pacientes: La proyección en la cohorte GSE299125 reveló una marcada heterogeneidad inter-paciente. Se identificaron subgrupos de pacientes específicos con una expresión elevada de objetivos vinculados a las hipótesis priorizadas (por ejemplo, CDK2 para bosulif, TOP1 para topotecán, MTOR para inhibidores de mTOR), mientras que otros mostraron perfiles de múltiples objetivos distintos. Esto confirmó que las vulnerabilidades derivadas de la plataforma estaban transcripcionalmente representadas en las cohortes de pacientes, aunque no de manera uniforme en todos ellos.

Significancia y afirmaciones
El artículo afirma presentar un marco computacional explicable y basado en la evidencia clínica que cambia el paradigma del análisis de combinación de fármacos de la evaluación retrospectiva de la sinergia hacia la optimización terapéutica guiada por la evidencia. Al anclar el análisis en regímenes investigados clínicamente en lugar de pares de fármacos arbitrarios, la plataforma proporciona una base reproducible para generar hipótesis terapéuticas biológicamente interpretables.

Los autores enfatizan que su enfoque integra evidencia de ensayos clínicos, farmacología reconstruida, aprendizaje en grafos y contextualización molecular a nivel de paciente dentro de un flujo de trabajo unificado. Esto permite la priorización racional de terapias combinadas basadas en cisplatino personalizadas. El estudio demuestra que la respuesta terapéutica es fundamentalmente dependiente del estado tumoral, y que combinar el modelado farmacológico con la interpretación biológica a nivel de sistemas (vía aprendizaje en grafos) ofrece una base más robusta para la generación de hipótesis que las puntuaciones farmacológicas por sí solas.

La plataforma se posiciona explícitamente como una herramienta de investigación para la priorización terapéutica computacional y la generación de hipótesis, no para el diagnóstico clínico o la recomendación de tratamiento. Los autores reconocen las limitaciones, incluyendo la dependencia de datos de combinación reconstruidos en lugar de datos experimentales prospectivos y la exclusión de factores proteómicos y del microambiente, pero argumentan que la arquitectura modular permite la integración futura de estos tipos de datos. El trabajo ilustra una transición hacia el "razonamiento terapéutico inteligente", donde la evidencia clínica y la biología de sistemas se integran para apoyar la investigación de la oncología de precisión en el cáncer cervical.