CIENCIA CONTRA EL CÁNCER HEMATOLÓGICO

Proyecto ADIANTHE

Identificación de nuevos drivers moleculares y patrones genómicos con valor pronóstico en pacientes con neoplasias hematológicas

RESUMEN

En la actualidad existe un creciente número de estrategias de tratamiento para los pacientes oncohematológicos, pero por desgracia se carece de la suficiente estrategia para optimizar el uso de dichas terapias en la vida real. La aplicación de tecnologías de inteligencia artificial a la información molecular y clínica de los pacientes nos permite extraer predicciones sobre cuáles son las mejores estrategias para cada nuevo paciente en base a la experiencia acumulada en la práctica clínica pasada. En este proyecto utilizaremos datos recogidos en historias clínicas electrónicas y variables derivadas del análisis genómico de los tumores hematológicos para crear modelos personalizados de supervivencia y de predicción de respuesta a los diferentes tratamientos usados en la vida real. Dichos resultados nos permitirán optimizar el uso de las terapias de forma personalizada de tal forma que podamos seleccionar el tratamiento idóneo para que cada paciente viva más tiempo y/o alcance mayores posibilidades de curarse de su neoplasia.

SECCIÓN 1: Detalle del Proyecto

Las nuevas tecnologías genómicas y el almacenamiento de grandes cantidades de datos clínicos y analíticos por parte de los sistemas de salud digitalizados han permitido albergar millones de variables de interés para poder estudiar los resultados sobre la salud de los tratamientos establecidos en la vida real. Ahora más que nunca es necesario dar coherencia a ese gran conjunto de información de tal forma que la experiencia acumulada sobre el tratamiento de miles de pacientes en el pasado pueda servir para optimizar el tratamiento de cada nuevo paciente que sea diagnosticado con una neoplasia hematológica.

asotrame

Desde nuestro grupo de investigación tenemos varias líneas de investigación abiertas orientadas al análisis de los predictores pronósticos y de respuesta a tratamientos de los pacientes con diferentes tipos de neoplasias hematológicas, habiendo publicado resultados prometedores en 9 revistas internacionales en el último año. Hasta este momento nos hemos centrado principalmente en obtener información molecular (secuenciación masiva) e información clínica y analítica relevante de los pacientes en el momento del diagnóstico de un tumor hematológico. Posteriormente, hemos aplicado herramientas de inteligencia artificial para poder procesar con coherencia todo ese gran volumen de datos y poder extraer predicciones individualizadas de supervivencia que puedan servir como guía para mejorar el tratamiento de cada nuevo paciente.

En este sentido, tenemos abiertas líneas de trabajo en las siguientes patologías y con los siguientes objetivos:

  1. Linfoma B Difuso de Células grandes: predicción de la supervivencia global de pacientes desde el momento del diagnóstico con el objetivo de seleccionar pacientes para tratamientos innovadores en fases más precoces.
  2. Mieloma Múltiple: predicción de supervivencia global y de la mejor combinación de tratamientos para cada paciente desde el momento del diagnóstico.
  3. Leucemia Linfática Crónica: identificación de nuevos biomarcadores pronósticos, predicción de respuesta a nuevos fármacos, optimización de secuencia de tratamientos.
  4. Leucemia Mieloblástica Aguda: predicción de supervivencia global en base a perfiles moleculares, predicción de respuesta a inhibidores de la proteína FLT3.
  5. Linfoma Folicular: predicción de las recaídas precoces de la enfermedad tras el primer tratamiento.
  6. Linfoma de Hodgkin: predicción de los casos que van a recaer tras ser tratados con combinaciones de quimioterapia estándar.
  7. Neoplasias mielodisplásicas y mieloproliferativas: caracterización de nuevos grupos moleculares en perfil del riesgo clínico y respuesta a fármacos (5-azacitidina, ruxolitinib…).

 

SECCIÓN 2: Definiciones e ideas clave

¿Qué es la inteligencia artificial?

Se puede definir la inteligencia artificial como cualquier aparato que percibe su medio ambiente y toma acciones  que maximizan su posibilidad de alcanzar sus objetivos. Tradicionalmente se usa para referirse a sistemas que simulan actividades cognitivas humanas: aprendizaje y solución de problemas.

¿Cómo puede aplicarse la inteligencia artificial para mejorar el tratamiento de los pacientes con enfermedades oncohematológicas?

Los estudios habituales (ensayos clínicos) permiten inferir si en un grupo de pacientes habitualmente diverso un tratamiento o conjunto de tratamientos supone un beneficio global sobre la terapia tradicional, pero no son estudios capaces de identificar qué tratamiento va a ser más efectivo para cada paciente, es decir, no permiten individualizar tratamientos.

El desarrollo de la inteligencia artificial supone un avance fundamental para procesar con significado vastas cantidades de información que se escapan de la capacidad humana, de modo que puede dar sentido a información dispersa en grandes bases de datos sobre millones de pacientes. Por lo tanto, puede ayudarnos a analizar la experiencia acumulada sobre el tratamiento de miles de pacientes con neoplasias hematológicas de modo que dicha experiencia pueda ser utilizada para generar modelos predictivos que seleccionen el mejor tratamiento para cada nuevo paciente. De este modo, se consigue personalizar las terapias, es decir, dar a cada paciente el mejor tratamiento para su enfermedad.

¿Cómo puedes colaborar con nosotros?

Todos nuestros proyectos dependen de la existencia de financiación para continuar su desarrollo y poder llegar en algún momento a la vida real. Necesitamos tu apoyo para poder seguir avanzando en la lucha contra el cáncer hematológico a través de tu colaboración económica. Los fondos recaudados serán utilizados con las siguientes finalidades:

  1. Compra de equipos y reactivos necesarios para análisis moleculares.
  2. Contratación de personal técnico necesario.
  3. Costes de tramitación de proyectos.
  4. Mantenimiento del biobanco de muestras hematológicas.
  5. Análisis de datos y costes de publicación de trabajos.
  6. Difusión de los resultados.
  7. Formación de personal en tecnologías clave.

SECCIÓN 3: Equipo que participa en el proyecto.

¿Qué es la inteligencia artificial?

Somos un equipo de investigación vinculado al Instituto de Investigacións Sanitarias de Santiago de Compostela (IDIS), anexo al Hospital Clínico Universitario de Santiago de Compostela. Este equipo viene desarrollando su línea de trabajo durante los últimos 5 años, con decenas de publicaciones en revistas internacionales, incluyendo algunas de las más prestigiosas a nivel mundial en el campo tales como Leukemia, Blood Cancer Journal o Hemasphere. Varios de nuestros hallazgos también han sido seleccionados para su exhibición en algunos de los principales congresos mundiales del sector de la Hematología. Nuestras investigaciones son pioneras en la aplicación de la inteligencia artificial para mejorar nuestra comprensión del cáncer hematológico y para personalizar su tratamiento, de manera que se pueda conseguir el objetivo de seleccionar las terapias que tienen más posibilidades de ser efectivas para cada paciente.

Nuestras principales áreas de interés son: 1) la identificación de las alteraciones en el genoma de los pacientes con neoplasias hematológicas (tanto mutaciones adquiridas como heredadas), 2) la identificación de biomarcadores pronósticos y que ayuden a guiar el tratamiento, 3) la aplicación de las herramientas de big data e inteligencia artificial de cara a crear modelos totalmente personalizados que permitan predecir la supervivencia y el tratamiento más adecuado para cada paciente, y 4) la aplicación de los datos genómicos para la búsqueda de nuevas dianas terapéuticas y el desarrollo de nuevos fármacos.

Publicaciones sobre medicina de precisión con participación del equipo de Oncohematología del IDIS

  1. Mosquera Orgueira A, Cid López M, Peleteiro Raíndo A, Abuín Blanco A, Díaz Arias JÁ, González Pérez MS, Antelo Rodríguez B, Bao Pérez L, Ferreiro Ferro R, Aliste Santos C, Pérez Encinas MM, Fraga Rodríguez MF, Cerchione C, Mozas P, Bello López JL. Personally Tailored Survival Prediction of Patients With Follicular Lymphoma Using Machine Learning Transcriptome-Based Models. Front Oncol. 2022 Jan 10;11:705010. doi: 10.3389/fonc.2021.705010. PMID: 35083135; PMCID: PMC8784530.
  2. Mosquera Orgueria A, Peleteiro Raindo A, Diaz Arias JA, Antelo Rodriguez B, Lopez Riñon M, Cerchione C, Gonzalez Perez MS, Martinelli G, Montesis Fernandez P, Perez Encinas MM. Evaluation of the Stellae-123 prognostic gene expression signature in Acute Myeloid Leukemia. Front. Oncol. Sec. Hematologic Malignancies. 2022 Aug. doi: 10.3389/fonc.2022.968340
  3. Mosquera Orgueira A, Díaz Arías JÁ, Cid López M, Peleteiro Raíndo A, López García A, Abal García R, González Pérez MS, Antelo Rodríguez B, Aliste Santos C, Pérez Encinas MM, Fraga Rodríguez MF, Bello López JL. Prognostic Stratification of Diffuse Large B-cell Lymphoma Using Clinico-genomic Models: Validation and Improvement of the LymForest-25 Model. Hemasphere. 2022 Mar 25;6(4):e706. doi: 10.1097/HS9.0000000000000706. PMID: 35392483; PMCID: PMC8984321.
  4. Mosquera Orgueira A, González Pérez MS, Díaz Arías JÁ, Antelo Rodriguez B and Mateos Manteca MV. Prognostic Stratification of Multiple Myeloma Using Clinicogenomic Models: Validation and Performance Analysis of the IAC-50 Model. Hemasphere. 2022 Aug 04;6(8):e760. doi: 10.1097/HS9.0000000000000760
  5. Mosquera Orgueira A, González Pérez MS, Diaz Arias J, Rosiñol L, Oriol A, Teruel AI, Martinez Lopez J, Palomera L, Granell M, Blanchard MJ, de la Rubia J, López de la Guia A, Rios R, Sureda A, Hernández MT, Bengoechea E, Calasanz MJ, Gutierrez N, Martin ML, Blade J, Lahuerta JJ, San Miguel J, Mateos MV; PETHEMA/GEM Cooperative Group. Unsupervised machine learning improves risk stratification in newly diagnosed multiple myeloma: an analysis of the Spanish Myeloma Group. Blood Cancer J. 2022 Apr 25;12(4):76. doi: 10.1038/s41408-022-00647-z. PMID: 35468898; PMCID: PMC9038663.
  6. Mosquera Orgueira A, González Pérez MS, Díaz Arias JÁ, et al. Survival prediction and treatment optimization of multiple myeloma patients using machine-learning models based on clinical and gene expression data [published online ahead of print, 2021 May 18]. Leukemia. 2021;10.1038/s41375-021-01286-2. doi:10.1038/s41375-021-01286-2
  7. Mosquera Orgueira A, Peleteiro Raíndo A, Cid López M, Díaz Arias JÁ, González Pérez MS, Antelo Rodríguez B, Alonso Vence N, Bao Pérez L, Ferreiro Ferro R, Albors Ferreiro M, Abuín Blanco A, Fontanes Trabazo E, Cerchione C, Martinnelli G, Montesinos Fernández P, Mateo Pérez Encinas M, Luis Bello López J. Personalized Survival Prediction of Patients With Acute Myeloblastic Leukemia Using Gene Expression Profiling. Front Oncol. 2021 Mar 29;11:657191. doi: 10.3389/fonc.2021.657191. PMID: 33854980; PMCID: PMC8040929.
  8. Mosquera Orgueira A, Cid López M, Peleteiro Raíndo A, Díaz Arias JÁ, Antelo Rodríguez B, Bao Pérez L, Alonso Vence N, Bendaña López Á, Abuin Blanco A, Melero Valentín P, Ferreiro Ferro R, Aliste Santos C, Fraga Rodríguez MF, González Pérez MS, Pérez Encinas MM, Bello López JL. Detection of Rare Germline Variants in the Genomes of Patients with B-Cell Neoplasms. Cancers. 2021; 13(6):1340. https://doi.org/10.3390/cancers13061340
  9. Mosquera Orgueira A, Peleteiro Raíndo A, Cid López M, Antelo Rodríguez B, Díaz Arias JÁ, Ferreiro Ferro R, Alonso Vence N, Bendaña López Á, Abuín Blanco A, Bao Pérez L, Melero Valentín P, González Pérez MS, Cerchione C, Martinelli G, Montesinos Fernández P, Pérez Encinas MM, Bello López JL. Gene expression profiling identifies FLT3 mutation-like cases in wild-type FLT3 acute myeloid leukemia. PLoS One. 2021;16(2):e0247093. Published 2021 Feb 16. doi:10.1371/journal.pone.0247093
  10. Mosquera Orgueira A, Ferreiro Ferro R, Díaz Arias JÁ, Aliste Santos C, Antelo Rodríguez B, Bao Pérez L, Alonso Vence N, Bendaña López Á, Abuin Blanco A, Melero Valentín P, Peleteiro Raindo AR, Cid López M, Pérez Encinas MM, González Pérez MS, Fraga Rodríguez MF, Bello López JL. Detection of new drivers of frequent B-cell lymphoid neoplasms using an integrated analysis of whole genomes. Accepted in PLoS One. 2021; 10.1371/journal.pone.0248886
  11. Mosquera Orgueira A, Díaz Arias JÁ, Cid López M, Peleteiro Raíndo A, Antelo Rodríguez B, Aliste Santos C, Alonso Vence N, Bendaña López Á, Abuín Blanco A, Bao Pérez L, González Pérez MS, Pérez Encinas MM, Fraga Rodríguez MF, Bello López JL.. Improved Personalized Survival Prediction of Patients With Diffuse Large B-cell Lymphoma Using Gene Expression Profiling. BMC Cancer. 2020. doi: 21203/rs.3.rs-40793/v1
  12. Mosquera Orgueira A, Rodríguez Antelo B, Díaz Arias JÁ, Díaz Varela N, Alonso Vence N, González Pérez MS, Bello López JL. Novel Mutation Hotspots within Non-Coding Regulatory Regions of the Chronic Lymphocytic Leukemia Genome. Sci Rep. 2020 Feb 12;10(1):2407. doi: 10.1038/s41598-020-59243-5. PMID: 32051441; PMCID: PMC7015923.
  13. Mosquera Orgueira A., Antelo Rodríguez B., Alonso Vence N., Díaz Arias JA, Díaz Varela N., Pérez Encinas MM., Allegue Toscano C., Goiricelaya Seco EM., Carracedo Álvarez A. and Bello López JL. The association of germline variants with chronic lymphocytic leukemia outcome suggests the implication of novel genes and pathways in clinical evolution. BMC Cancer. 2019. https://doi.org/10.1186/s12885-019-5628-y
  14. Mosquera Orgueira A, Antelo Rodríguez B, Alonso Vence N, Bendaña López Á, Díaz Arias JÁ, Díaz Varela N, González Pérez MS, Pérez Encinas MM, Bello López JL. Time to Treatment Prediction in Chronic Lymphocytic Leukemia Based on New Transcriptional Patterns. Front Oncol. 2019 Feb 15;9:79. doi: 10.3389/fonc.2019.00079. eCollection 2019. PubMed PMID: 30828568; PubMed Central PMCID: PMC6384245.
  15. Mosquera Orgueira A, Antelo Rodríguez B, Alonso Vence N, Díaz Arias JÁ, Díaz Varela N, Pérez Encinas MM, Allegue Toscano C, Goiricelaya Seco EM, Carracedo Álvarez Á, Bello López JL. The association of germline variants with chronic lymphocytic leukemia outcome suggests the implication of novel genes and pathways in clinical evolution. BMC Cancer. 2019 May 29;19(1):515. doi: 10.1186/s12885-019-5628-y.
  16. Mosquera Orgueira A, Antelo Rodríguez B, Díaz Arias JÁ, Bello López JL. Identification of new putative driver mutations and predictors of disease evolution in chronic lymphocytic leukemia. Blood Cancer J. 2019 Sep 30;9(10):78. doi: 10.1038/s41408-019-0243-3. PubMed PMID: 31570692; PubMed Central PMCID: PMC6769000.
  17. Mosquera Orgueira A, Antelo Rodríguez B, Díaz Arias JÁ, González Pérez MS, Bello López JL. New Recurrent Structural Aberrations in the Genome of Chronic Lymphocytic Leukemia Based on Exome-Sequencing Data. Front Genet. 2019 Sep 20;10:854. doi: 10.3389/fgene.2019.00854. eCollection 2019.
  18. Mosquera Orgueira A, Antelo Rodríguez B, Díaz Arias JÁ, Díaz Varela N, Bello López JL. A Three-Gene Expression Signature Identifies a Cluster of Patients with Short Survival in Chronic Lymphocytic Leukemia. Journal of Oncology Volume 2019, Article ID 9453539, 4 pages, https://doi.org/10.1155/2019/9453539