Daniele Ramazzotti
Firme evolutive dei tumori umani rivelate tramite l’analisi genomica di oltre 35.000 pazienti
Il cancro è un processo evolutivo complesso che coinvolge molte cellule nel corpo umano. Queste cellule subiscono mutazioni genetiche e variazioni epigenetiche, alcune delle quali favoriscono le cellule tumorali, potenziando la loro capacità di proliferare e sopravvivere. Questo può portare all’invasione dei tessuti circostanti e alla formazione di metastasi. Tuttavia, solo una piccola frazione di queste mutazioni, chiamate “mutazioni driver”, contribuisce effettivamente allo sviluppo del tumore, mentre la maggior parte delle altre mutazioni sono neutrali, definite “mutazioni passenger”, e non hanno un impatto funzionale sulle cellule.
Immaginiamo ora di poter possedere una mappa precisa dell’evoluzione di qualsiasi tipo di tumore, capace di delineare l’ordine di comparsa delle mutazioni genetiche driver, una dopo l’altra. Questa mappa consentirebbe ai medici di anticipare lo sviluppo della malattia per ciascun paziente, aprendo la strada a interventi mirati per bloccare, rallentare o trattare il cancro in modo più efficace. Questo obiettivo ambizioso rappresenta il fulcro della ricerca presentata, la cui protagonista è una nuova metodologia basata sull’Intelligenza Artificiale chiamata ASCETIC. In particolare, il nuovo metodo ASCETIC (Agony-baSed Cancer EvoluTion InferenCe), mira a migliorare la nostra capacità di prevedere l’evoluzione di un tumore. ASCETIC si basa sull’osservazione che, mentre l’accumulo di mutazioni passenger segue spesso una dinamica casuale, le mutazioni driver, responsabili della progressione del tumore, possono seguire un ordine coerente osservabile in pazienti diversi.
ASCETIC affronta questo intricato problema in tre passaggi fondamentali. In primo luogo, utilizza modelli di evoluzione per stabilire un ordine tra le mutazioni genetiche driver nei singoli pazienti, consentendo di comprendere la sequenza temporale di queste mutazioni nella storia evolutiva dei tumori specifici. Per fare ciò, costruisce modelli filogenetici che mirano a determinare l’ordinamento di accumulo delle diverse mutazioni nel corso della storia tumorale dei pazienti interessati. Questi modelli offrono un’analisi dettagliata della progressione delle mutazioni nel tempo, consentendo una comprensione più approfondita della dinamica molecolare sottostante al cancro. Successivamente, attraverso approcci di intelligenza artificiale, ASCETIC identifica il modello più adatto per spiegare le varie evoluzioni osservate nei singoli pazienti, fornendo una mappa del processo di sviluppo del cancro su scala globale per un particolare tipo di tumore. Ad esempio, questo approccio potrebbe fornire informazioni sulle diverse traiettorie evolutive che possono verificarsi con alta probabilità in una specifica tipologia di tumore, consentendo una comprensione più approfondita delle possibili direzioni che la malattia potrebbe seguire nel tempo. Infine, l’algoritmo è in grado di stimare un modello di rischio per ciascuna traiettoria evolutiva identificata e, sulla base di questo, di categorizzare i pazienti in base alla loro evoluzione. Ciò consente di verificare se i gruppi identificati presentano diverse curve di sopravvivenza. In altre parole, ASCETIC valuta il rischio associato a ciascuna fase evolutiva del tumore e utilizza queste informazioni per classificare i pazienti, consentendo così una migliore comprensione della prognosi individuale e l’identificazione di sottogruppi con potenziali esiti clinici differenti. Grazie alla crescente disponibilità di dati biologici generati da esperimenti di sequenziamento genetico su pazienti affetti da cancro e ai progressi nell’ambito della scienza dei dati e dell’intelligenza artificiale, possiamo utilizzando ASCETIC valutare la presenza di specifici modelli evolutivi per i diversi tipi di cancro. Questo è dimostrato nel lavoro mediante l’analisi di oltre 35.000 pazienti che comprendono la maggior parte delle tipologie di tumore. Questi modelli, che definiamo “firme evolutive”, rappresentano i percorsi preferenziali di acquisizione di mutazioni driver durante l’evoluzione del cancro e possono essere ricorrenti in pazienti con prognosi simile. Nonostante questo studio non sia definitivo, rappresenta un passo significativo verso la creazione di un “catalogo” di firme evolutive del cancro, che potrebbe migliorare la comprensione di questa malattia complessa e le previsioni sulla progressione e prognosi dei tumori. La capacità di classificare i pazienti affetti da cancro in base alla loro evoluzione molecolare potrebbe consentire la previsione dei passi successivi nella progressione della malattia in uno specifico paziente, consentendo l’attuazione di trattamenti ottimali e personalizzati. In conclusione, il metodo ASCETIC si configura come un’importante innovazione nel campo della comprensione e del trattamento del cancro. Mirando a sviluppare terapie più mirate e personalizzate, l’obiettivo principale è quello di migliorare la prognosi e la qualità di vita dei pazienti affetti da cancro.