Nasce ASCETIC, l’algoritmo per ricostruire modelli di evoluzione tumorale
Milano – Migliorare la nostra capacità di prevedere come evolverà un tumore, superando le limitazioni delle analisi che considerano solo le singole mutazioni genetiche. Questo è l’obiettivo possibile grazie al nuovo metodo chiamato ASCETIC (Agony-baSed Cancer EvoluTion InferenCe), sviluppato da Milano-Bicocca, capace di ricostruire modelli di evoluzione tumorale per ciascun paziente e successivamente identificare modelli evolutivi che si ripetono in diversi pazienti. Il metodo, illustrato nell’articolo “Evolutionary signatures of human cancers revealed via genomic analysis of over 35,000 patients”, appena pubblicato sulla rivista Nature Communications, è stato sviluppato da un gruppo multidisciplinare guidato da Daniele Ramazzotti, docente di informatica presso il Dipartimento di Medicina e Chirurgia dell’Università degli Studi di Milano-Bicocca, in collaborazione con Alex Graudenzi (Dipartimento di informatica), Luca Mologni (Dipartimento di Medicina e chirurgia) e le ricercatrici Diletta Fontana, Ilaria Crespiatico e Valentina Crippa, per le attività di valutazione e validazione dei risultati. In questo studio, ASCETIC è stato applicato a dati derivati da oltre 35.000 tumori, inclusi pazienti con diverse malattie del sangue, pazienti con tumore al polmone in fase precoce o avanzata e molti altri. Inoltre, è stata condotta una validazione dei risultati ottenuti su dataset indipendenti per garantirne l’affidabilità e la capacità di generalizzazione. Il cancro è un processo evolutivo complesso che coinvolge grandi popolazioni di cellule nel corpo umano. Queste cellule subiscono mutazioni genetiche e modificazioni epigenetiche, alcune delle quali possono conferire un vantaggio alle cellule tumorali. Questo vantaggio può tradursi in una maggiore capacità di proliferazione e sopravvivenza delle cellule cancerogene, che alla fine può portare all’invasione dei tessuti circostanti e alla formazione di metastasi. Tuttavia, non tutte le mutazioni contribuiscono al processo di sviluppo della malattia. Infatti, solo una piccola frazione di esse, chiamate “mutazioni driver”, svolge un ruolo funzionale, mentre la maggior parte delle mutazioni sono neutrali, dette “mutazioni passenger”. ASCETIC si basa sull’osservazione che, nella maggior parte dei casi, l’accumulo di mutazioni passenger durante la progressione del cancro segue una dinamica casuale. Tuttavia, per le mutazioni driver, che sono responsabili della progressione del tumore, l’evoluzione può portare ad un ordine coerente osservato in pazienti diversi. ASCETIC affronta questo problema complesso suddividendolo in tre passaggi chiave. Inizialmente, sfrutta modelli di evoluzione per stabilire un ordine tra le mutazioni genetiche driver nei singoli pazienti, consentendoci di comprendere la sequenza in cui queste mutazioni si sono verificate nel corso della storia evolutiva degli specifici tumori. In seguito, utilizzando approcci di intelligenza artificiale, individua il modello più adatto per spiegare tutte le singole evoluzioni, offrendoci una mappa di come il cancro si sviluppa globalmente per un particolare tipo di tumore. Infine, categorizza i pazienti in base alle loro evoluzione e verifica se questi gruppi presentano curve di sopravvivenza differenti. Grazie alla crescente disponibilità di dati biologici provenienti da esperimenti di sequenziamento genetico su pazienti affetti da cancro e ai progressi nel campo della scienza dei dati e dell’intelligenza artificiale, siamo ora in grado di valutare la presenza di specifici modelli evolutivi per i diversi tipi di cancro. Questi modelli, che possiamo definire come “firme evolutive”, rappresentano i percorsi preferenziali di acquisizione di mutazioni driver, cioè quelle funzionali, durante l’evoluzione del cancro e possono essere ricorrenti in pazienti con prognosi simile. «Nonostante questo studio non sia definitivo – conclude Ramazzotti – esso rappresenta un passo significativo verso la creazione di un “catalogo” di firme evolutive del cancro, che potrebbe aiutare a comprendere meglio la complessa natura del tumore e a migliorare le previsioni sulla sua progressione e prognosi. Infatti, essere in grado di classificare i pazienti affetti da cancro in base alla loro evoluzione molecolare potrebbe consentire la previsione dei futuri passi nella progressione della malattia e di conseguenza l’attuazione di trattamenti ottimali e personalizzati”
