NetraMark Holdings Inc. ha anunciado la presentación de nuevos datos que describen cómo su solución patentada para ensayos clínicos NetraAI identificó nuevos biomarcadores y vías de interacción proteína-proteína (PPI) asociados a formas específicas de cáncer de pulmón no microcítico (CPNM) y cáncer colorrectal (CCR) utilizando pequeños conjuntos de datos y un algoritmo de autoaprendizaje que obvia la necesidad de grandes conjuntos de datos de entrenamiento. Estos conocimientos, o NetraPerspectives, tienen el potencial de hacer avanzar el panorama de la medicina personalizada mediante estrategias de enriquecimiento de pacientes, al tiempo que permiten nuevas vías diagnósticas y terapéuticas, mejorando la atención a los pacientes y los resultados en estas indicaciones complejas. El Dr. Joseph Geraci, PhD, fundador y director científico de NetraMark, presentó ayer los datos en dos pósteres en la Reunión Anual 2024 de la Asociación Americana de Investigación sobre el Cáncer (AACR), que se celebra del 5 al 10 de abril en San Diego, California.

Ambos pósteres se presentaron en la sección "Late-Breaking Research: Bioinformática, Biología Computacional, Biología de Sistemas y Ciencia Convergente 2", que tuvo lugar ayer. El póster titulado "NetraAI-driven discovery of novel biomarkers in MSI-high colon cancer for precision immunotherapy" (Resumen #LB395) describe el uso de algoritmos de IA Attractor para identificar grupos causales de variables (hipótesis) que expliquen subpoblaciones específicas de pacientes con CCR con inestabilidad de microsatélites alta (MSI-H). Los tumores MSI-H se caracterizan por una extensa carga mutacional, lo que favorece la producción de neoantígenos y amplifica la visibilidad inmunológica, convirtiéndolos en principales candidatos para la inmunoterapia.

Sin embargo, estos mismos factores contribuyen a una heterogeneidad que complica aún más la eficacia de las terapias dirigidas. NetraAI se aplicó a un conjunto de datos formado por decenas de miles de variables de expresión de ARN procedentes de 390 muestras de pacientes con CCR. Estos perfiles incluían 44 muestras MSI-H y 21 MSI-bajo (MSI-L) y el conjunto de datos utilizado constaba de un total de 22.283 variables.

Entre las principales conclusiones del análisis se incluyen: En una NetraPerspective, se identificó una subpoblación MSI-H, formada por 29 muestras MSI-H y 2 MSI-L. Esta subpoblación se caracteriza por la expresión de CATSPERB (p=1,2 x 10-7), MLPH (p=4,9 x 10-5), FUT8 (p=8,6 x 10-5), DUSP4 (p=1,1 x 10-3) y PLLP (p=0,01). La construcción de redes de PPI basadas en las variables identificadas sugiere una compleja interacción entre ellas, particularmente en el contexto de la espermatogénesis.

La reparación de desajustes (MMR) es esencial para garantizar la integridad genética durante la producción de esperma. Los hallazgos del análisis NetraAI sugieren que los defectos en la MMR desempeñan un papel causal en la inestabilidad genética observada en el CCR MSI-H. La especificidad de CATSPERB para un subgrupo de cáncer de colon MSI-H lo postula como un biomarcador potencial para identificar a los pacientes que podrían beneficiarse de enfoques terapéuticos adaptados, contribuyendo al panorama de la medicina personalizada.

La proteína CATSPERB se asocia principalmente con los canales de calcio en los espermatozoides, pero su sobreexpresión en un subgrupo de pacientes con CCR MSI-H sugiere que la proteína puede modular la señalización del calcio en las células tumorales, que se sabe que desempeña un papel en diversos procesos celulares que impulsan la proliferación, la supervivencia y la metástasis de las células cancerosas. El póster titulado "The power of NetraAI: Precision medicine in oncology through sub-insight learning from small data sets" (Abstract #LB396) describe el uso de algoritmos de IA Attractor para identificar variables que definen subpoblaciones específicas de pacientes con CPNM. Se recopiló un pequeño conjunto de datos formado por 104 muestras de expresión génica de adenocarcinoma (ADC) y carcinoma de células escamosas (SSC) a partir de dos conjuntos de datos de CPNM.

Entre los hallazgos clave del análisis se incluyen: Una NetraPerspective mostró múltiples subpoblaciones explicables de CPNM, estratificadas principalmente como subpoblaciones de ADC o de CCE. Curiosamente, había múltiples subpoblaciones de cada subtipo, lo que sugiere que diferentes combinaciones de variables impulsan subtipos específicos de ADC y SCC. El examen de cada subpoblación utilizando las capacidades de zoom únicas de NetraAI, permitió identificar a los pacientes específicos y las variables caracterizadoras.

En una NetraPerspective, NetraAI distinguió entre los subtipos de ADC y SCC mediante firmas genéticas únicas, con 9 de cada 10 variables correlacionadas con marcadores de CPNM conocidos. Esto valida los métodos y la tecnología utilizados por NetraAI. PIGX surgió como una diana novedosa debido a su papel previamente inexplorado en la biología del cáncer.

Una investigación más profunda de las redes PPI reveló una conexión significativa entre PIGX y BACE1, una proteína implicada en la metástasis cerebral del CPNM. Esto abre nuevas vías para comprender los mecanismos moleculares que subyacen a la progresión del cáncer y la metástasis. PIGX también está relacionado con PIGN, que se asocia con la inestabilidad genómica y regula las proteínas del punto de control de ensamblaje del huso en la transformación y progresión de la leucemia.