A sobrevivência ao cancro pode ser prevista célula a célula, e não apenas por tumor.

A sobrevivência de doentes com cancro pode ser prevista célula a célula, em vez de se fazer uma média dos sinais de todo o tumor - um processo mais eficiente do que as abordagens anteriores.

Um novo estudo indica que há células específicas mais diretamente ligadas ao destino do doente e propõe encarar os tumores como misturas em massa de sinais de sobrevivência concorrentes.

Importância das células singulares no tumor

Nos conjuntos de dados de tumores, o sinal surgiu a partir de milhares de células individuais cuja atividade genética apontava para direções de sobrevivência nitidamente diferentes.

Ao seguir essas diferenças, o Dr. Zheng Xia, da Oregon Health & Science University (OHSU), mostrou que as pistas de sobrevivência mais fortes vinham de populações celulares distintas, e não da média do tumor.

Havia células associadas a piores desfechos e outras ligadas a uma sobrevivência mais prolongada, resolvendo um contraste que as medições “a granel” tinham alisado até se tornar num único borrão.

Isto também expôs uma limitação das previsões mais antigas: conseguiam calcular o risco sem revelar quais células, dentro do tumor, o estavam efetivamente a impulsionar.

De milhares de células a uma única previsão com o scSurvival

O programa, chamado scSurvival, utiliza a sequenciação de RNA de célula única (scRNA-seq), um método que permite ler os genes numa única célula com grande detalhe.

Cada amostra tumoral passa a ser um conjunto de células, e o modelo aprende a que células deve dar mais atenção no momento de prever.

Depois de ponderar as células, o programa atribui um índice de risco (hazard score) - um número que estima o risco ao longo do tempo - e, com isso, ordena os doentes.

“Este trabalho usa inteligência artificial para desenvolver uma nova forma de estudar a sobrevivência usando dados de célula única”, disse Xia.

Quando a previsão é testada numa realidade controlada

Ao recorrer a cancros simulados, a equipa conseguia saber qual era a resposta certa antes de pedir à ferramenta que encontrasse as células de risco escondidas.

Em testes controlados, o modelo identificou corretamente quase todas as células que determinavam os resultados de sobrevivência.

Para previsões em doentes, ordenou de forma consistente os doentes de maior e de menor risco, mantendo essa robustez ao longo de testes repetidos.

Esses resultados não demonstram que a ferramenta esteja pronta para uso clínico, mas indicam que a matemática consegue seguir a biologia pretendida mesmo sob pressão.

Indicadores imunitários no melanoma

Num conjunto de dados de melanoma, a ferramenta analisou milhares de células do sistema imunitário provenientes de dezenas de amostras tumorais recolhidas a doentes tratados.

Sinais associados a melhores resultados surgiram em células B e em plasmócitos, enquanto outras células imunitárias se ligaram a pior sobrevivência.

Essas mesmas células imunitárias separaram-se em grupos que ou apoiavam as defesas do organismo, ou aparentavam ajudar o tumor a persistir.

Para doentes a receber imunoterapia - um tratamento que ajuda o sistema imunitário a atacar o cancro - estes estados celulares tiveram um significado prático para os investigadores.

Células exaustas vs. combatentes resilientes (células T)

As células T, células imunitárias capazes de atacar células infetadas ou anormais, ofereceram ao modelo outro caso de teste exigente.

Entre 10,685 células, os sinais de menor risco provenientes de células imunitárias mantiveram-se ativos durante mais tempo e sustentaram a resposta do organismo ao longo do tempo.

As células de maior risco exibiram marcadores de stress e exaustão, em linha com um atlas pan-cancro de células T que associou stress a resistência durante o tratamento.

Quando avaliado noutro grupo de melanoma, o modelo de células T distinguiu claramente os doentes com risco mais elevado daqueles com risco mais baixo.

Aparição de células agressivas no cancro do fígado

O cancro do fígado representou um teste muito maior, com mais de 1 milhão de células analisadas em vários doentes.

As células associadas a piores desfechos mostraram sinais de pouco oxigénio, crescimento agressivo e maior capacidade de disseminação.

Já as células ligadas a melhores desfechos eram mais semelhantes a células hepáticas normais, preservando uma atividade metabólica mais forte e funções especializadas.

Ao longo de testes repetidos, o modelo separou de forma consistente os doentes em grupos de sobrevivência de maior risco e de menor risco.

Sinais escondidos dentro da média

Modelos de sobrevivência mais antigos tratavam frequentemente um tumor como uma única amostra misturada, o que diminuía a visibilidade de sinais celulares raros.

Essa média podia deixar escapar uma pequena população celular que conduzisse a recaída, o insucesso do tratamento ou um melhor controlo imunitário após a terapia.

Nesta abordagem, o peso é atribuído célula a célula, fazendo com que a previsão reflita tanto as populações comuns como as pouco frequentes dentro do mesmo tumor.

Isto não substitui relatórios de anatomia patológica, mas oferece aos investigadores uma visão mais fina do risco antes de avançarem para experiências.

A distância entre prever e tratar

Os hospitais não podem usar a ferramenta para decisões terapêuticas até que equipas externas a testem repetidamente em grupos maiores de doentes.

Além disso, os cuidados oncológicos exigem provas de que um modelo suporta amostras provenientes de diferentes clínicas, equipamentos e fluxos de trabalho.

As diferenças de lote (batch differences) - alterações técnicas entre conjuntos de dados separados - são um desafio que os autores reconheceram e que terá de ser cuidadosamente testado em desenvolvimentos futuros.

Mesmo previsões fortes podem prejudicar doentes se os médicos confiarem nelas antes de uma validação rigorosa mostrar quais são, na prática, os seus limites.

Abrir o modelo ao escrutínio

A disponibilização livre do código torna mais simples verificar, reproduzir e melhorar o trabalho em grupos de investigação em cancro por todo o mundo.

A equipa publicou tutoriais no GitHub, no Zenodo e no Code Ocean, para que especialistas possam testar novos conjuntos de dados com menos incerteza.

O acesso aberto também convida à crítica, já que outros cientistas podem detetar erros que os próprios autores podem não ver numa fase inicial de utilização.

Esse escrutínio é importante porque as ferramentas de previsão só ganham valor quando muitos grupos as conseguem testar de forma independente e transparente.

Reformular o futuro da investigação em cancro

Ao manter os sinais de sobrevivência ligados a células individuais, o scSurvival oferece aos investigadores em cancro uma forma mais eficaz de estudar o risco dos tumores.

O seu valor mais imediato está na investigação, onde pode assinalar estados celulares perigosos e orientar o desenho de terapias mais precisas.