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

A imunoterapia contra o câncer revolucionou a forma como os médicos tratam doenças, oferecendo uma maneira de aproveitar o próprio sistema imunológico do corpo para caçar tumores. Para uma minoria de pacientes, esses tratamentos produzem remissões duradouras, mas para muitos outros, os medicamentos simplesmente não funcionam. O desafio central para os oncologistas é saber antecipadamente quais pacientes se beneficiarão e quais não, poupando estes últimos de efeitos colaterais e custos desnecessários, enquanto garante que os primeiros recebam o cuidado vital de que precisam. Para resolver isso, cientistas passaram anos tentando construir "assinaturas" — listas específicas de genes em um tumor que atuam como uma luz de advertência, piscando verde para um sucesso provável ou vermelho para um fracasso. A esperança era que, ao ler esses códigos genéticos, os médicos pudessem prever o resultado antes que uma única dose de medicamento fosse administrada.

No entanto, uma nova análise sugere que o mapa que muitos pesquisadores têm seguido é fundamentalmente falho. Uma equipe de cientistas examinou milhares dessas assinaturas genéticas propostas nos últimos anos e descobriu que, quando testadas contra pacientes reais que receberam tratamento, elas não performam melhor do que um palpite aleatório. O estudo revela que os métodos padrão usados para validar essas previsões foram enganosos, fazendo com que os pesquisadores confundissem o panorama geral de saúde de um paciente com sua reação específica à droga. Ao substituir essas ferramentas quebradas por um novo método que depende estritamente de resultados medidos de outros pacientes, os pesquisadores criaram um sistema que identifica consistentemente mais pessoas que realmente responderão à imunoterapia.

O problema começou com a forma como essas assinaturas genéticas foram construídas. A maioria foi desenvolvida usando dados de grandes bancos de dados de amostras de tumores que continham informações sobre quanto tempo os pacientes viveram, mas sem registro de se haviam algum dia recebido imunoterapia. Como os pesquisadores não tinham dados de tratamento, eles ajustaram seus modelos para prever a sobrevivência. Em muitos cânceres, um alto nível de células imunes em um tumor é, na verdade, um sinal de um prognóstico pior se o paciente não for tratado, porque o sistema imunológico está lutando para controlar a doença. Quando esses modelos foram posteriormente reaproveitados para prever a resposta à imunoterapia, a direção foi invertida: os altos níveis imunes que sinalizavam um futuro ruim foram reinterpretados como um sinal de que o sistema imunológico estava pronto para combater a droga. Isso criou um paradoxo onde as mesmas características que sugeriam que um paciente teria um desempenho ruim sem o tratamento foram usadas para prever que ele teria um bom desempenho com ele.

Para verificar essas previsões, a comunidade científica confiou fortemente em uma ferramenta computacional chamada TIDE. Este software foi projetado para estimar quão bem um tumor poderia responder à imunoterapia ao observar sinais de exaustão imune. O novo estudo descobriu que o próprio TIDE estava interpretando os dados incorretamente. Ele tratava a presença de células imunes exaustas — células que estão presentes, mas desgastadas — como um sinal de falha, quando, na realidade, essas são frequentemente as células que podem ser despertadas pela droga. Consequentemente, o TIDE frequentemente rotulava tumores que eram, na verdade, ricos em células imunes e propensos a responder como "não respondedores". Como tantas novas assinaturas foram construídas para concordar com o TIDE, elas herdaram esse erro, levando a um ciclo onde previsões incorretas eram validadas por outras ferramentas incorretas.

Os pesquisadores testaram isso reunindo 1.566 assinaturas diferentes de mais de 1.200 artigos científicos e aplicando-as a dados de mais de 2.000 pacientes que realmente receberam imunoterapia. Os resultados foram drásticos: a vasta maioria dessas assinaturas não tinha capacidade de prever quem responderia. Sua precisão era indistinguível de jogar uma moeda para o alto. De fato, o estudo mostrou que, se alguém escolhesse um conjunto aleatório de genes, este passaria nos mesmos testes de validação que essas assinaturas complexas passaram, provando que os testes não estavam realmente medindo a resposta ao tratamento. As assinaturas eram tão ruins que performaram pior do que medidas simples e mais antigas de atividade imune que estavam disponíveis há anos.

Em resposta a essa falha, a equipe desenvolveu uma nova abordagem chamada ResponseVerdict. Em vez de depender de simulações computacionais ou concordância com outras ferramentas, este método olha diretamente para como pacientes em outros grupos realmente responderam ao tratamento. Ele usa esses resultados do mundo real para orientar os modelos de previsão, garantindo que a direção da previsão corresponda à realidade da experiência do paciente. Quando testado contra as antigas assinaturas e outros preditores estabelecidos, o ResponseVerdict identificou consistentemente mais pacientes que se beneficiariam da terapia. Em um teste específico envolvendo uma coorte prospectiva de pacientes onde os resultados ainda não eram conhecidos, o novo método identificou corretamente significativamente mais respondedores do que o padrão anterior.

O impacto desta correção estende-se além de apenas melhores previsões; altera a forma como experimentos e ensaios clínicos são desenhados. O estudo descobriu que, devido às assinaturas falhas, muitos experimentos laboratoriais estavam sendo realizados nos tipos errados de células, perseguindo sinais que não estavam realmente impulsionando a resposta imune. Além disso, um ensaio clínico atual para câncer gástrico utiliza uma dessas assinaturas falhas para decidir quais pacientes são elegíveis. Os pesquisadores mostraram que essa regra estava inadvertidamente excluindo pacientes que teriam respondido bem ao tratamento. Ao usar o novo método, o ensaio poderia ter incluído mais dos pacientes certos, potencialmente mudando o desfecho do ensaio.

Os pesquisadores também aplicaram seu método para decidir como alocar drogas em ensaios clínicos randomizados, um cenário onde o objetivo não é apenas encontrar respondedores, mas dar a droga experimental para as pessoas que mais ganharão com ela em comparação ao cuidado padrão. Em um grande ensaio para câncer de rim, o antigo método de prever a sensibilidade à droga levou pacientes a receberem o tratamento errado, custando-lhes meses de tempo sem progressão da doença. Quando os pesquisadores usaram sua nova regra de alocação, eles identificaram um grupo de pacientes que ganhou um tempo significativo sem que seu câncer progredisse, enquanto o restante do grupo não se beneficiou tanto. Isso sugere que o novo método pode não apenas prever quem responderá, mas também otimizar quem recebe qual tratamento para maximizar o benefício geral para um grupo de pacientes.

O estudo conclui que o campo tem operado sobre uma base de concordância computacional em vez de realidade medida. Ao deslocar o foco de volta para os resultados reais dos pacientes e usar dados que estavam disponíveis na época em que os artigos originais foram escritos, os pesquisadores demonstraram que um caminho melhor sempre foi possível. O novo sistema não requer novos dados ou tecnologia futurista; ele simplesmente requer uma maneira diferente de fazer a pergunta. Em vez de perguntar se um modelo concorda com um programa de computador, ele pergunta se o modelo concida com os pacientes. Essa mudança já mostrou que é capaz de recuperar dezenas de respondedores adicionais para cada cem pacientes tratados, um ganho que pode se traduzir em melhorias significativas na sobrevivência e na qualidade de vida para pessoas que enfrentam o câncer.