Machine Learning of Tumor Microenvironment Related Genes for Prostate Cancer Biochemical Recurrence Prediction and Immune Analysis

Resumen Técnico: Aprendizaje Automático de Genes Relacionados con el Microambiente Tumoral para la Predicción de la Recurrencia Bioquímica del Cáncer de Próstata y Análisis Inmunológico

Planteamiento del Problema
La recurrencia bioquímica (RBC) tras una prostatectomía radical (PR) sigue siendo un desafío clínico crítico, ocurriendo en aproximadamente el 25% de los pacientes dentro de los cuatro años siguientes. Las herramientas pronósticas actuales carecen a menudo de la precisión necesaria para estratificar el riesgo de manera efectiva o para dilucidar los mecanismos moleculares subyacentes que impulsan la recurrencia. Si bien se sabe que el microambiente tumoral (MAT) gobierna la progresión tumoral y la respuesta terapéutica, los estudios existentes frecuentemente dependen de algoritmos aislados o conjuntos de genes limitados, fallando en proporcionar un análisis integral de los genes relacionados con el MAT, las vías reguladoras y los paisajes inmunológicos. Además, la selección de algoritmos de aprendizaje automático impacta significamente en la estabilidad del modelo, lo que requiere una estrategia de integración de múltiples algoritmos para mejorar su aplicabilidad clínica.

Metodología
Este estudio empleó un marco computacional de múltiples pasos integrando datos transcriptómicos de The Cancer Genome Atlas (TCGA) y múltiples cohortes de Gene Expression Omnibus (GEO) (GSE70769, GSE46602, GSE116918).

1. Tamizaje de Genes: Se utilizó el algoritmo ESTIMATE para calcular el ImmuneScore y el StromalScore para las muestras de TCGA-PCa. Se identificaron genes diferencialmente expresados (DEG) asociados con ambos puntajes, obteniendo 494 genes candidatos relacionados con el MAT.
2. Selección de Características: Se aplicó un análisis de regresión de Cox univariante para filtrar los genes significativamente asociados con la RBC, resultando en 32 genes candidatos.
3. Construcción del Modelo: Se construyó un marco de aprendizaje automático de conjunto utilizando el paquete de R MIME, probando 117 combinaciones de diez algoritmos de análisis de supervivencia (incluyendo Lasso, Ridge, Elastic Net, CoxBoost, StepCox, etc.). El modelo óptimo se seleccionó basándose en el índice de concordancia medio (C-index) a través de los conjuntos de entrenamiento y validación.
4. Validación e Interpretación: El modelo final fue validado mediante análisis de Kaplan–Meier, curvas ROC dependientes del tiempo y cohortes externas. Se utilizó el análisis SHAP (SHapley Additive exPlanations) para interpretar las contribuciones de las características.
5. Análisis Secundarios: El estudio incluyó un perfil inmunológico exhaustivo (ESTIMATE, ssGSEA, CIBERSORT, xCell), análisis del paisaje de mutaciones somáticas (maftools), análisis de redes de coexpresión génica ponderada (WGCNA), predicción de sensibilidad a fármacos (oncoPredict) y análisis de secuenciación de ARN de célula única (scRNA-seq) (GSE157703) para explorar la expresión específica de tipo celular y los efectos de knockout in silico.

Contribuciones Clave y Resultados

• Modelo Pronóstico: El estudio estableció un robusto modelo pronóstico de 8 genes (CCL17, CHI3L2, CSF2RA, CTHRC1, DPT, MNDA, SFRP2, SPIB) utilizando el algoritmo CoxBoost + StepCox (forward). Este modelo demostró un rendimiento superior en comparación con 13 modelos publicados previamente, logrando valores de C-index y AUC más altos en las predicciones a 3 y 5 años.
• Estratificación de Riesgo: Los pacientes fueron estratificados en grupos de alto y bajo riesgo. El grupo de alto riesgo exhibió una incidencia de RBC significativamente mayor y estuvo fuertemente correlacionado con características clinicopatológicas adversas, incluyendo estadios T/N/M avanzados, puntuaciones de Gleason más altas y niveles de PSA elevados.
• Paradoja del Paisaje Inmunitario: Un hallazgo clave fue un fenotipo inmunitario paradójico en el grupo de alto riesgo. A pesar de exhibir ImmuneScores más altos y una mayor infiltración de diversas células inmunitarias (incluyendo células T CD4+ activadas, células T CD8+ de memoria y células B), estos pacientes tuvieron peores resultados. Este grupo mostró un enriquecimiento de componentes inmunosupresores, específicamente macrófagos M2 y células T reguladoras (Tregs), junto con una reducción de células plasmáticas y células dendríticas activadas.
• Evasión Inmune y Checkpoints: El grupo de alto riesgo mostró puntajes TIDE (Tumor Immune Dysfunction and Exclusion) elevados, lo que indica una mayor propensión a la evasión inmune y una potencial resistencia a los inhibidores de checkpoints inmunitarios (ICI). Mientras que el cebado e reclutamiento inmunitario (pasos 1 y 4 del ciclo de inmunidad del cáncer) estaban activos, las fases efectoras estaban constreñidas.
• Remodelación Estromal Mecanismo: El análisis WGCNA identificó un módulo de genes clave (módulo azul) significativamente correlacionado con el riesgo y la inmunidad, enriquecido para la organización de la matriz extracelular (ECM) y el metabolismo del colágeno. Esto sugiere que la remodelación estromal, en lugar de una desregulación directa de los genes inmunitarios, puede mediar el entorno inmunosupresor y la exclusión inmune observada en los pacientes de alto riesgo.
• Perspectivas de Célula Única: El análisis de scRNA-seq reveló orígenes celulares distintos para los genes del modelo: DPT, SFRP2 y CTHRC1 se expresaban altamente en células epiteliales, mientras que MNDA y CSF2RA eran predominantes en macrófagos. Los análisis de knockout in silico sugirieron que MNDA influye en el ensamblaje de la ECM y DPT afecta el metabolismo de las lipoproteínas.
• Implicaciones Terapéuticas: El análisis de sensibilidad a fármacos indicó que el grupo de alto riesgo podría ser más sensible al oxaliplatino y la ciclofosfamida. Por el contrario, los elevados puntajes TIDE y la regulación al alza de múltiples checkpoints inmunitarios (ej. CTLA4, PDCD1LG2, TIM3) sugieren que la monoterapia con ICI puede ser menos efectiva para este subgrupo.

Significancia
Los autores afirman que este estudio construye y valida con éxito un modelo pronóstico basado en el MAT para la RBC en PCa que supera a las herramientas existentes. El modelo proporciona una base para la estratificación del riesgo postoperatorio y la evaluación del pronóstico individualizado. Crucialmente, el estudio elucida un mecanismo específico de interacción inmuno-estromal: los pacientes de alto riesgo exhiben un microambiente "inflamado pero funcionalmente restringido" impulsado por la remodelación estromal y la organización de la ECM, lo que conduce a la exclusión inmune. Estos hallazgos ofrecen una base teórica para optimizar las estrategias de tratamiento, guiando potencialmente la selección de quimioterapia sobre inmunoterapia para pacientes de alto riesgo y sugiriendo futuras terapias de combinación que involucren modificadores estromales.

Limitaciones
Los autores reconocen que el estudio es retrospectivo, dependiendo de bases de datos públicas que pueden introducir sesgos de selección. Las funciones biológicas de los genes identificados y sus relaciones causales con la RBC carecen de validación experimental in vitro o in vivo. Además, las predicciones de inmunoterapia se basan en algoritmos computacionales (TIDE/TIP) en lugar de datos de respuesta clínica de cohortes de inmunoterapia del mundo real.