Blast percentage confounds transcriptome to drug-response associations in Beat AML: DHODH and sorafenib as a worked example
Este estudio demuestra que no ajustar por el porcentaje de blastos en el conjunto de datos Beat AML confunde significativamente las asociaciones entre el transcriptoma y la respuesta a fármacos, como lo evidencia la pérdida sustancial de significancia estadística para marcadores como DHODH y sorafenib cuando se incluye el contenido de blastos en el análisis.
Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA de un preprint que no ha sido revisado por pares. No es consejo médico. No tome decisiones de salud basándose en este contenido. Leer descargo de responsabilidad completo
En la lucha contra la leucemia mieloide aguda, un tipo de cáncer de la sangre, los científicos a menudo buscan pistas dentro de las propias células del paciente para predecir qué fármacos funcionarán mejor. Examinan el transcriptoma, que es el conjunto completo de instrucciones genéticas que las células están leyendo y utilizando en un momento específico. Al comparar estos patrones genéticos con la forma en que las células cancerosas reaccionan a diferentes medicinas en una placa de laboratorio, los investigadores esperan encontrar una "firma" que les indique qué tratamiento elegir. Este enfoque se basa en la idea de que la composición genética de las propias células cancerosas contiene la clave de su vulnerabilidad. Sin embargo, una muestra de médula ósea o sangre rara vez está compuesta únicamente por células cancerosas. Es una mezcla que contiene los blastos cancerosos, células sanguíneas sanas y otros tejidos. La proporción de células cancerosas en esa mezcla puede variar drásticamente de un paciente a otro, y esta variación ha sido durante mucho tiempo una fuente de confusión en la interpretación de los datos genéticos.
Un estudio reciente del investigador independiente Cumhur Gokhan Ekmekci investiga un problema específico que ha sido pasado por alto en un conjunto de datos importante conocido como Beat AML. Este conjunto de datos empareja la información genética de pacientes con leucemia con registros detallados de cómo sus células respondieron a 125 fármacos diferentes. Aunque análisis previos de estos datos ajustaron factores como la velocidad a la que las células se dividían o su grado de madurez, no tuvieron en cuenta el porcentaje de células cancerosas, o "blastos", presentes en la muestra. El investigador se propuso ver si ignorar este hecho simple estaba distorsionando los resultados, llevando a los científicos a creer que ciertos genes eran objetivos farmacológicos importantes cuando en realidad eran solo marcadores de cuántas células cancerosas había en la placa.
La investigación comenzó con una pregunta sencilla: ¿cambia la cantidad de cáncer en una muestra la forma en que leemos los datos genéticos y los resultados de las pruebas de fármacos? La respuesta resultó ser un sí rotundo. El estudio encontró que el porcentaje de blastos en una muestra se correlaciona tanto con las señales genéticas medidas como con la fuerza del efecto del fármaco. Cuando una muestra tiene un alto número de células cancerosas, las señales genéticas asociadas con el crecimiento rápido parecen más fuertes, y el fármaco parece más efectivo simplemente porque hay más células objetivo que eliminar. Esto crea una falsa conexión. Un gen puede parecer que predice una buena respuesta a un fármaco no porque controle la acción del mismo, sino simplemente porque es más activo en muestras que, por casualidad, tienen más células cancerosas.
Para medir la magnitud de este problema, el investigador realizó una comparación masiva que involucró 12.000 combinaciones diferentes de genes y fármacos. Tomó la forma estándar de analizar los datos, que ignora el porcentaje de blastos, y la comparó con una nueva forma que incluía el porcentaje de blastos como un factor. Los resultados fueron impactantes. Bajo el método estándar, casi 1.200 pares de genes y fármacos parecían ser coincidencias significativas. Cuando se añadió el porcentaje de blastos al cálculo, más de 400 de esas coincidencias desaparecieron. En otras palabras, aproximadamente el 35 por ciento de las conexiones que parecían fuertes eran en realidad ilusiones creadas por la composición de la muestra. Por el contrario, solo una pequeña fracción de nuevas conexiones apareció cuando se realizó el ajuste. Esto sugiere que la lista previa de prometedores objetivos farmacológicos estaba significativamente inflada por la variable no medida.
El estudio utilizó un ejemplo específico para mostrar exactamente cuánto podía cambiar un único marcador candidato. Investigadores habían identificado previamente un gen llamado DHODH como el predictor más fuerte de qué tan bien funcionaría un fármaco llamado sorafenib. En el análisis estándar, este gen ocupaba el primer lugar entre todos los 125 fármacos probados, con un vínculo estadístico muy fuerte con el éxito del fármaco. Sin embargo, una vez que se incluyó el porcentaje de blastos en el modelo, la fuerza de ese vínculo disminuyó notablemente. El gen cayó del primer puesto al cuarto lugar, y la certeza estadística de la conexión se debilitó considerablemente. Si bien el vínculo no desapareció por completo, se volvió mucho menos impresionante. Además, cuando los investigadores observaron otros fármacos diseñados para atacar la misma vía que el sorafenib, ninguno mostró una conexión similar con el gen DHODH. Esto indica que el resultado fuerte original era probablemente un efecto secundario de la composición de la muestra más que un mecanismo biológico real.
El investigador también verificó para asegurar que este cambio no fuera causado por otros factores, como el tipo de muestra tomada o la forma en que se midió la respuesta al fármaco. Ninguna de esas otras variables alteró significativamente los resultados. El único factor que cambió el desenlace fue la inclusión del porcentaje de blastos. El estudio también analizó si este hallazgo se mantenía en un grupo diferente de pacientes de una base de datos distinta, pero los resultados allí no fueron lo suficientemente fuertes como para confirmar el patrón, probablemente porque esos datos carecían de los detalles clínicos específicos necesarios para el mismo tipo de análisis. Esto no desmiente el hallazgo, sino que resalta que el resultado inicial necesita una reevaluación cuidadosa antes de que pueda ser confiable.
La conclusión de este trabajo es que el porcentaje de células cancerosas en una muestra es una pieza de información crítica que debe incluirse al analizar datos genéticos frente a respuestas a fármacos. Es un factor que ya se registra en los expedientes médicos y que no cuesta nada incluir en el análisis. Ignorarlo conduce a una alta tasa de falsos descubrimientos, donde los científicos podrían perseguir genes que simplemente reflejan la cantidad de cáncer presente en lugar de la verdadera sensibilidad del cáncer a un fármaco. Al ajustar por esta variable, la lista de posibles objetivos farmacológicos se vuelve más corta y más fiable. El estudio no pretende haber encontrado una nueva cura o un marcador definitivo para el sorafenib; en su lugar, sirve como una corrección necesaria, mostrando que el camino para encontrar biomarcadores reales requiere limpiar los datos de estos factores de confusión ocultos primero. El costo de incluir este sencillo ajuste es insignificante, pero el costo de dejarlo fuera es una distorsión significativa del panorama científico.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.