News

Pesquisa usa big data para melhorar previsões de pacientes com câncer

Pessoas com câncer muitas vezes são informados por seus médicos aproximadamente quanto tempo eles têm de viver, e como eles irão responder a tratamentos. Mas haveria uma maneira de melhorar as previsões dos médicos?

Um novo método desenvolvido por cientistas da UCLA – Universidade da California Los Angeles – pode levar a uma maneira de fazer exatamente isso, usando dados sobre sequências genéticas dos pacientes para produzir projeções mais confiáveis para o tempo de sobrevivência e como eles podem responder a possíveis tratamentos. A técnica é uma forma inovadora de utilizar big data biomédica – que recolhe padrões e tendências de enormes quantidades de informações do paciente – para alcançar a medicina de precisão – dando aos médicos a capacidade de adaptar melhor os seus cuidados para cada paciente individual.

A abordagem é susceptível de permitir que os médicos a dar previsões mais precisas para as pessoas com vários tipos de cânceres. Nesta pesquisa, os cientistas da UCLA estudaram os cânceres da mama, do cérebro (glioblastoma multiforme, uma forma altamente maligno e agressivo, e de grau inferior ao glioma, uma versão menos agressiva), pulmão, ovário e rim. Além disso, pode permitir aos cientistas analisar sequências genéticas das pessoas e determinar quais são letais e quais são inofensivos.

O novo método de análise de várias isoformas do gene – combinações de sequências genéticas que podem produzir uma enorme variedade de ARN e proteínas a partir de um único gene – utilizando dados de moléculas de RNA em amostras de câncer.  Este processo, chamado de sequenciação de ARN ou de ARN-SEQ, revela a presença e quantidade de moléculas de ARN numa amostra  biológica. No método desenvolvido na Universidade da Califórnia, os cientistas analisaram os índices de ligeiramente diferentes sequências genéticas dentro das isoformas, o que lhes permite detectar diferenças importantes, mas subtis nas sequências genéticas. Em contraste, a análise convencional agrega todas as isoformas em conjunto, o que significa que a técnica falha diferenças importantes dentro das isoformas.

SURVIV (para “análise de sobrevivência de mRNA variação isoforma”) é o primeiro método estatístico para a realização de análise de sobrevivência em isoformas utilizando dados de RNA-seq, disse o pesquisador sênior Yi Xing, professor adjunto do UCLA de Microbiologia, Imunologia e Genética molecular. A pesquisa foi publicada  na revista Nature Communications.

Os pesquisadores relatam ter identificado cerca de 200 isoformas que estão associados com o tempo de sobrevida para pessoas com câncer de mama; alguns preveem maior tempo de sobrevida, outros estão ligados aos tempos mais curtos. “Armado com esse conhecimento, os cientistas podem, eventualmente, ser capaz de orientar as isoformas associados com tempos de sobrevivência mais curtos, a fim de suprimi-los e combater a doença”, disse Xing.

Os pesquisadores avaliaram o desempenho dos preditores de sobrevivência utilizando uma métrica chamada C-index e descobriu que entre os seis tipos diferentes de câncer que analisados, as previsões baseadas em isoformas realizada consistentemente melhor do que as previsões baseadas em genes convencionais.

“O resultado foi surpreendente porque sugere, ao contrário da sabedoria convencional, que os rácios de isoformas fornecer uma assinatura molecular mais robusto dos pacientes com câncer do que a abundância global gene”, disse Xing. “Nossa descoberta sugere que os rácios de isoformas fornecer uma assinatura molecular mais robusto de pacientes com câncer em conjuntos de dados de RNA-seq grande escala”.

Os pesquisadores estudaram tecidos de 2.684 pessoas com câncer cujas amostras eram parte dos Institutos Nacionais de Câncer en mais de dois anos, tempo que se levou para desenvolver o algoritmo para SURVIV.

Os co-autores da pesquisa são Shihao Shen, cientista de pesquisa sênior; Ying Wu Nian, professor de estatísticas Yuanyuan Wang e Chengyang Wang, da estudantes de doutoramento da UCLA.A pesquisa foi financiada pelo National Institutes of Health e da National Science Foundation . A pesquisa do prof. Xing também é suportado por uma Alfred Sloan Research Fellowship.

Patrocínio Silver

Parceiros Institucionais

Realização