Más del 90% de los pacientes con cáncer mueren de metástasis distales y no como resultado directo del tumor primario, y estas metástasis de cáncer generalmente se desarrollan a partir de células cancerosas diseminadas individuales, que evaden el sistema de vigilancia inmunológica del cuerpo.
Investigadores del Helmholtz Zentrum München, LMU Munich y la Universidad Técnica de Munich (TUM), en Alemania, han desarrollado un nuevo algoritmo que permite la detección automatizada de metástasis a nivel de células cancerosas diseminadas por todo el cuerpo, en estudios en ratones.
Más del 90% de los pacientes con cáncer mueren de metástasis distales y no como resultado directo del tumor primario, y estas metástasis de cáncer generalmente se desarrollan a partir de células cancerosas diseminadas individuales, que evaden el sistema de vigilancia inmunológica del cuerpo.
Hasta ahora, la detección exhaustiva de estas células en todo el cuerpo no ha sido posible debido a la resolución limitada de las técnicas de imagen como la bioluminiscencia y la resonancia magnética. Esto ha derivado en una relativa falta de conocimiento de los mecanismos específicos de diseminación de diversos tipos de cáncer, lo cual es un requisito previo para una terapia efectiva. También ha obstaculizado los esfuerzos para evaluar la eficacia de los nuevos candidatos a fármacos para la terapia tumoral.
Para desarrollar nuevas técnicas para superar estos obstáculos, el equipo dirigido por el doctor Ali Ertürk, director del Instituto de Ingeniería de Tejidos y Medicina Regenerativa de Helmholtz Zentrum München, había desarrollado vDISCO, un método de limpieza y fijación de tejidos que induce al cuerpo del ratón a un estado transparente que permite la obtención de imágenes de células individuales.
Utilizando microscopios de escaneo láser, los investigadores pudieron detectar las metástasis más pequeñas hasta las células cancerosas individuales en el tejido despejado de los cuerpos de los ratones.
Pero analizar manualmente dichos datos de imágenes de alta resolución sería un proceso que llevaría mucho tiempo. Dada la limitada fiabilidad y velocidad de procesamiento de los algoritmos actualmente disponibles para este tipo de análisis de datos, los investigadores han desarrollado un nuevo algoritmo basado en aprendizaje profundo llamado 'DeepMACT'.
Los investigadores ahora han podido detectar y analizar metástasis de cáncer y mapear la distribución de anticuerpos terapéuticos en preparaciones de vDISCO automáticamente.
El algoritmo 'DeepMACT' coincidió con el rendimiento de los expertos humanos en la detección de metástasis, pero lo hizo más de 300 veces más rápido.
"Con solo unos pocos clics, 'DeepMACT puede hacer el trabajo de detección manual de meses en menos de una hora. Ahora podemos realizar análisis de metástasis de alto rendimiento hasta células tumorales diseminadas como una rutina diaria", asegura Oliver Schoppe, coprimer autor del estudio y estudiante en el grupo del profesor doctor Bjoern Menze en TranslaTUM, del Centro de Investigación Traslacional del Cáncer en TUM.
Usando 'DeepMACT', los investigadores han obtenido nuevos conocimientos sobre los perfiles metastásicos únicos de diferentes modelos tumorales.
La caracterización de los patrones de diseminación de diversos tipos de cáncer podría permitir la focalización de medicamentos a medida para diferentes tipos de cáncer metastásico. Al analizar la progresión de las metástasis de cáncer de mama en ratones, 'DeepMACT' ha descubierto un aumento sustancial de metástasis pequeñas en todo el cuerpo del ratón a lo largo del tiempo.
"Ninguna de estas características podía ser detectada por las imágenes convencionales de bioluminiscencia antes. 'DeepMACT' es el primer método que permite el análisis cuantitativo del proceso metastásico a escala de cuerpo completo --agrega el doctor Chenchen Pan, becario postdoctoral en Helmholtz Zentrum München y también primer autor conjunto del estudio--. Nuestro método también nos permite analizar la focalización de las terapias de anticuerpos tumorales con más detalle".
Con 'DeepMACT', los investigadores ahora tienen una herramienta con la cual evaluar el objetivo de las terapias clínicas contra el cáncer que emplean anticuerpos monoclonales específicos de tumores. Como ejemplo representativo, han utilizado 'DeepMACT' para cuantificar la eficacia de un anticuerpo terapéutico llamado 6A10, que se ha demostrado que reduce el crecimiento tumoral. Los resultados demostraron que 6A10 puede perder hasta el 23% de las metástasis en los cuerpos de los ratones afectados.
Esto subraya la importancia del análisis de la eficacia de la focalización a nivel de metástasis individuales para el desarrollo de nuevos fármacos tumorales. El método también puede rastrear potencialmente la distribución de fármacos de molécula pequeña cuando se conjugan con colorantes fluorescentes.
Tomados en conjunto, estos resultados muestran que 'DeepMACT' no solo proporciona un método poderoso para el análisis integral de metástasis de cáncer, sino que también proporciona una herramienta sensible para la evaluación terapéutica de medicamentos en estudios preclínicos.
"La batalla contra el cáncer ha estado en marcha durante décadas y aún queda un largo camino por recorrer antes de que finalmente podamos vencer la enfermedad. Para desarrollar terapias contra el cáncer más efectivas, es fundamental comprender los mecanismos metastásicos en diversos tipos de cáncer y desarrollar medicamentos específicos para tumores que sean capaces de detener el proceso metastásico", explica Ertürk.
'DeepMACT' está disponible públicamente y puede adoptarse fácilmente en otros laboratorios que se centran en diversos modelos de tumores y opciones de tratamiento.
"Hoy, la tasa de éxito de los ensayos clínicos en oncología es de alrededor del 5%. Creemos que la tecnología 'DeepMACT' puede mejorar sustancialmente el proceso de desarrollo de fármacos en la investigación preclínica. Por lo tanto, podría ayudar a encontrar candidatos a fármacos mucho más potentes para ensayos clínicos y, con suerte, ayudar a salvar muchas vidas", concluyen.
