CrcBiomeScreen: a reproducible workflow for class imbalance and cross-cohort generalisability in colorectal cancer microbiome prediction

O câncer colorretal é uma das principais causas de morte em todo o mundo, muitas vezes porque é descoberto tarde demais para que o tratamento seja totalmente eficaz. Os métodos de triagem atuais, como testes que procuram sangue oculto nas fezes, são úteis, mas imperfeitos; eles podem perder sinais precoces da doença ou sinalizar pessoas saudáveis para procedimentos de acompanhamento desnecessários e invasivos. Nos últimos anos, os cientistas voltaram sua atenção para os trilhões de organismos minúsculos que vivem em nossos intestinos, conhecidos como microbioma. Essas comunidades microbianas deixam assinaturas químicas distintas que mudam quando o câncer ou crescimentos pré-cancerosos se desenvolvem. A esperança é que, ao analisar esses padrões microbianos, os médicos possam identificar indivíduos de alto risco com mais precisão do que apenas por meio de exames de sangue. No entanto, transformar esses sinais biológicos em uma ferramenta médica confiável é repleto de dificuldades. Os dados são desordenados, o número de pessoas saudáveis supera vastamente o de pessoas com câncer, e a maneira como os pesquisadores processam os dados pode alterar drasticamente os resultados, tornando difícil saber quais métodos realmente funcionam.

Para navegar por essa complexidade, uma equipe de pesquisadores da Universidade de Leeds desenvolveu uma nova ferramenta de código aberto chamada CrcBiomeScreen. Em vez de simplesmente propor uma única "melhor" maneira de prever o câncer, eles construíram uma estrutura flexível que permite aos cientistas testar diferentes estratégias lado a lado para ver quais se sustentam sob pressão. Eles usaram esse sistema para analisar amostras de fezes de mais de 2.200 pessoas envolvidas em um programa de triagem real no Reino Unido, bem como nove outros conjuntos de dados independentes de todo o mundo. O objetivo deles era descobrir quais etapas específicas na análise — como os dados são limpos, como os diferentes tipos de bactérias são contados e como os modelos de computador lidam com o fato de que os casos de câncer são raros — levam às previsões mais precisas e confiáveis.

Os pesquisadores descobriram que as escolhas feitas antes mesmo de o computador começar a aprender são críticas. Eles testaram várias maneiras de normalizar os dados, um processo que ajusta as diferenças na quantidade de material genético coletado de cada amostra. Eles descobriram que um método específico chamado GMPR, que leva em conta a maneira única como as comunidades microbianas são estruturadas, produziu consistentemente melhores resultados do que métodos mais antigos e simples. Eles também examinaram se importava incluir bactérias que nunca foram cultivadas com sucesso em laboratório, frequentemente rotuladas como "não cultivadas". O estudo mostrou que manter essas misteriosas bactérias não cultivadas na análise não prejudicou o desempenho do modelo e pode, de fato, preservar pistas valiosas sobre a doença que seriam perdidas de outra forma. Além disso, determinaram que observar as bactérias no nível de gênero — uma categoria ampla que agrupa espécies relacionadas — proporcionava o melhor equilíbrio. Esse nível de detalhe era específico o suficiente para ser biologicamente significativo, mas amplo o suficiente para ser reconhecido consistentemente entre diferentes laboratórios e tecnologias de sequenciamento.

Um grande obstáculo na triagem do câncer é o desequilíbrio extremo entre pessoas saudáveis e aquelas com a doença. Em um programa de triagem real, para cada pessoa com câncer, existem centenas ou milhares de indivíduos saudáveis. Se um modelo de computador for treinado em um conjunto de dados que possui casos de câncer em excesso, ele pode ter um bom desempenho no laboratório, mas falhar miseravelmente quando aplicado ao público em geral. A equipe simulou esse desequilíbrio extremo criando cenários de teste onde os controles saudáveis superavam vastamente os casos de câncer. Eles descobriram que uma técnica chamada ponderação de classe (class weighting) era essencial. Essa abordagem diz ao computador para prestar atenção extra aos raros casos de câncer durante o treinamento, tornando efetivamente o modelo mais sensente à doença sem perder sua capacidade de identificar corretamente pessoas saudáveis. Ao aplicar essa ponderação, o modelo manteve sua capacidade de detectar casos de câncer enquanto reduzia significamente o número de pessoas saudáveis que eram incorretamente sinalizadas como doentes. Essa melhoria na precisão é vital para a triagem, pois ajuda a evitar colonoscopias desnecessárias e a ansiedade que elas causam.

Os pesquisadores então testaram o quão bem esses modelos funcionavam ao serem movidos do conjunto de dados do Reino Unido para populações inteiramente diferentes de nove outros países. Foi aqui que a escolha do algoritmo de computador fez uma diferença surpreendente. Um tipo de modelo, conhecido como Random Forest, provou ser muito estável e confiável, apresentando um desempenho consistentemente bom mesmo quando os dados de treinamento eram limitados ou as populações eram muito diferentes. Outro tipo, chamado XGBoost, foi mais poderoso quando treinado em conjuntos de dados grandes e diversos, alcançando maior precisão nessas condições específicas, mas mostrando mais variabilidade quando os dados eram menores. O estudo sugere que não existe um único algoritmo "bala de prata" que funcione melhor em todas as situações. Em vez disso, a melhor abordagem depende do tamanho e da natureza dos dados disponíveis.

Em última análise, o valor do CrcBiomeScreen reside em sua transparência e flexibilidade. Ele não força os pesquisadores a usar um método único e rígido. Em vez disso, fornece uma maneira estruturada de comparar diferentes opções, garantindo que a ferramenta final escolhida seja aquela que funciona melhor para o conjunto de dados específico em questão. Ao demonstrar que a atenção cuidadosa ao processamento de dados, a inclusão de bactérias não cultivadas e o uso de ponderação de classe podem melhorar significativamente o desempenho, o estudo oferece um roteiro para o desenvolvimento de ferramentas de triagem baseadas no microbioma mais confiáveis. Embora esses modelos ainda não estejam prontos para substituir os testes existentes, eles representam um passo significativo em direção a um futuro onde um simples exame de fezes poderia identificar com mais precisão quem precisa de atenção médica urgente, ajudando a detectar o câncer colorretal precocemente e a salvar mais vidas.