Cancro al Seno: Ho Svelato i Segreti della Lattilazione con l’IA per Prevedere Prognosi e Cure!

Ciao a tutti! Oggi voglio parlarvi di qualcosa di veramente affascinante che sta cambiando il modo in cui guardiamo al cancro al seno. Come sapete, questa malattia è ancora la forma di cancro più diffusa tra le donne a livello globale. Pensate che solo nel 2022 ci sono stati circa 2.3 milioni di nuovi casi! Nonostante i passi da gigante fatti nella diagnosi precoce e nelle terapie, c’è un bisogno disperato di strumenti migliori per capire come andrà la malattia per ogni singola paziente e quale cura funzionerà meglio. Ed è qui che entra in gioco la mia ricerca.

Una Nuova Modifica nel Mirino: La Lattilazione

Recentemente, nel vasto mondo dell’epigenetica – quella branca della biologia che studia come l’ambiente e i comportamenti possono modificare l’attività dei nostri geni senza cambiarne la sequenza – è spuntata una nuova arrivata: la lattilazione. Si tratta di una modifica chimica (specificamente, delle proteine chiamate istoni attorno alle quali si avvolge il DNA) indotta dall’acido lattico. Sì, proprio quello che associamo alla fatica muscolare, ma che nel contesto tumorale assume un ruolo ben diverso. Questa lattilazione sembra influenzare direttamente quali geni vengono “accesi” o “spenti”, specialmente in condizioni di poco ossigeno o quando le cellule tumorali “mangiano” zuccheri in modo anomalo (glicolisi). Studi recenti l’hanno già collegata allo sviluppo di altri tumori, come il melanoma oculare e il carcinoma epatocellulare, associandola a prognosi peggiori. Ma nel cancro al seno? Il suo ruolo era ancora tutto da scoprire. Ed è proprio qui che mi sono tuffato!

Il Viaggio della Scoperta: Geni, Cluster e Machine Learning

Il mio obiettivo era chiaro: capire se la lattilazione potesse dirci qualcosa sulla prognosi delle pazienti con cancro al seno. Per prima cosa, abbiamo identificato un gruppo di geni potenzialmente legati alla lattilazione (li abbiamo chiamati LRGs, Lactylation-Related Genes). Incrociando questi geni con quelli che risultavano espressi in modo diverso tra tessuto tumorale e tessuto sano in diversi database (come TCGA e GEO), siamo arrivati a 98 candidati. Analisi statistiche più approfondite (Cox e Kaplan-Meier) ci hanno permesso di isolare 18 LRGs che sembravano avere un impatto significativo sulla sopravvivenza delle pazienti.

Poi è arrivato il bello: usando un algoritmo di clustering non supervisionato (una tecnica che raggruppa i campioni in base alle loro somiglianze senza sapere a priori a che gruppo appartengono), abbiamo diviso le pazienti in due sottotipi distinti, che abbiamo chiamato L1 e L2. E indovinate un po’? Le pazienti nel gruppo L1 avevano una prognosi decisamente peggiore rispetto a quelle nel gruppo L2. Questo ci ha fatto capire che eravamo sulla strada giusta!

Ma 18 geni sono ancora tanti per un test diagnostico pratico. Qui è entrata in gioco la potenza del machine learning. Abbiamo dato “in pasto” i dati a ben 15 diversi algoritmi di apprendimento automatico, chiedendo loro di selezionare i geni più predittivi. Alla fine, incrociando i risultati dei tre algoritmi più performanti (Lasso, CoxBoost e RSF), siamo arrivati a una “firma” composta da soli 6 geni chiave:

• SHCBP1
• SIM2
• VGF
• GABRQ
• SUSD3
• CLIC6

Abbiamo chiamato questa firma LRS (Lactylation-Related Signature).

L’LRS: Una Bussola per Prognosi e Terapia

Abbiamo quindi calcolato un punteggio LRS per ogni paziente e le abbiamo divise in due gruppi: alto LRS e basso LRS. I risultati sono stati netti e consistenti in tutti i set di dati analizzati (TCGA-BRCA, METABRIC, GSE96058, GSE86166): le pazienti con un alto LRS avevano una prognosi significativamente peggiore. Il nostro LRS si è dimostrato un predittore indipendente, più potente anche di fattori clinici classici come età, stadio del tumore o dimensione (T stage). Per renderlo ancora più utile clinicamente, abbiamo costruito un nomogramma: uno strumento grafico che combina l’LRS con l’età e lo stadio per prevedere la probabilità di sopravvivenza a 1, 3 e 5 anni con grande accuratezza.

Dentro il Tumore: LRS e Microambiente Tumorale (TME)

Ma cosa rende l’alto LRS così “cattivo”? Abbiamo indagato il legame tra LRS e il microambiente tumorale (TME), cioè tutto ciò che circonda le cellule cancerose: cellule immunitarie, vasi sanguigni, matrice extracellulare… Abbiamo scoperto che i tumori con alto LRS hanno un TME che sembra favorire la progressione del cancro. In particolare, presentano livelli più alti di alcune cellule immunitarie che possono sopprimere la risposta anti-tumorale (come le cellule T regolatorie e le cellule T gamma delta) e mostrano un’attivazione di processi biologici legati alla crescita cellulare (ciclo cellulare, replicazione del DNA) e ad altre modifiche epigenetiche (fosforilazione e metilazione degli istoni), mentre i processi legati alla risposta immunitaria sembrano “spenti”. Questo suggerisce che la lattilazione potrebbe interagire con altre modifiche per creare un ambiente ideale per la crescita e la diffusione del tumore.

Una Guida per le Cure Personalizzate

Una delle scoperte più entusiasmanti è stata la capacità dell’LRS di predire la risposta a diverse terapie. Abbiamo visto che le pazienti con alto LRS sembrano rispondere meglio ad alcuni chemioterapici classici come docetaxel, cisplatino e ciclofosfamide, ma anche a farmaci mirati come lapatinib e dinaciclib. Al contrario, le pazienti con basso LRS sembrano trarre maggior beneficio dagli inibitori del ciclo cellulare (come ribociclib, palbociclib e mitoxantrone), una classe di farmaci più recenti e mirati. Questa è un’informazione preziosissima! Significa che l’LRS potrebbe aiutarci a scegliere la terapia più adatta per ogni paziente, evitando trattamenti inutili o inefficaci e ottimizzando l’uso delle terapie mirate.

Validazione Sperimentale e Nuovi Bersagli Farmacologici

Ovviamente, non ci siamo fermati ai dati computazionali. Abbiamo analizzato dati di singole cellule (single-cell analysis) e di trascrittomica spaziale per vedere dove fossero espressi i nostri 6 geni LRS all’interno del tessuto tumorale. Abbiamo confermato che la maggior parte di essi (CLIC6, GABRQ, VGF, SIM2, SHCBP1, SUSD3) si trova prevalentemente nelle cellule maligne. Inoltre, abbiamo validato i nostri risultati con esperimenti di laboratorio (RT-PCR) su campioni clinici reali di tessuto tumorale e tessuto sano adiacente, confermando che SHCBP1, SIM2, VGF, GABRQ e SUSD3 sono effettivamente più espressi nel cancro, mentre CLIC6 è meno espresso.

Infine, abbiamo usato un altro strumento computazionale fantastico, il Connectivity Map (CMap), per cercare piccole molecole (potenziali farmaci) che potessero contrastare l’effetto dei geni LRS sovraespressi. Abbiamo identificato alcuni candidati promettenti:

• Arachidonyltrifluoromethane per SHCBP1
• AH-6809 per VGF
• W-13 per GABRQ
• Clofibrate per SUSD3

Abbiamo anche costruito modelli 3D al computer (molecular docking) per vedere come questi farmaci potrebbero legarsi alle proteine prodotte dai nostri geni target. È interessante notare che alcuni di questi composti (AH-6809, W-13, clofibrate) hanno già mostrato effetti anti-cancro in studi precedenti sul cancro al seno.

Limiti e Prospettive Future

Come ogni ricerca, anche la nostra ha dei limiti. Si basa principalmente su dati retrospettivi, quindi serviranno studi su nuove coorti di pazienti (prospettici) per confermare i risultati. Manca ancora una validazione funzionale approfondita per capire esattamente come questi geni legati alla lattilazione influenzino il cancro. Tuttavia, credo fermamente che questo lavoro apra strade importantissime. Abbiamo identificato una firma genetica legata a un meccanismo biologico nuovo (la lattilazione) che non solo predice la prognosi, ma suggerisce anche quali terapie potrebbero funzionare meglio. Abbiamo anche individuato potenziali nuovi farmaci. Il futuro? Continuare a indagare il ruolo della lattilazione nella resistenza ai farmaci e nelle metastasi, esplorare le interazioni con altre modifiche epigenetiche e, soprattutto, portare queste scoperte più vicino alla pratica clinica per offrire trattamenti davvero personalizzati alle pazienti con cancro al seno. È un percorso ancora lungo, ma i primi passi sono stati fatti e sono incredibilmente promettenti!

Fonte: Springer