Investigadores de Columbia Engineering y del Centro Médico Irving de la Universidad de Columbia han inventado un nuevo método de secuenciación de ARN que consigue resultados de alta calidad a partir de pequeños volúmenes de muestras tumorales congeladas.

Demostraron el éxito de su técnica en dos estudios clínicos que perfilaron docenas de muestras tumorales, tanto las archivadas como las recién recogidas, para entender cómo responden a la terapia antitumoral. 

El artículo se publicó en Nature Genetics.

El uso de la secuenciación del ARN para medir la expresión génica con la resolución de células individuales ha sido una de las herramientas más transformadoras para estudiar los tejidos cancerosos en la última década.

Al examinar el ARN de células individuales, los investigadores pueden comprender mejor la diversidad de células dentro de un tumor, así como la forma en que estas células tumorales crecen e interactúan con las células inmunitarias.

Se trata de factores importantes para comprender los rasgos distintivos de la progresión del cáncer y su resistencia a la terapia, factores ambos clave para el desarrollo de nuevos tratamientos contra el cáncer.

Un reto importante

Uno de los principales obstáculos para la adopción generalizada de la secuenciación unicelular del ARN en los flujos de trabajo clínicos tradicionales ha sido el volumen de tejido fresco necesario, que es sustancialmente mayor que el que se recoge habitualmente con fines clínicos. La necesidad de tejido fresco significa que las muestras deben analizarse inmediatamente una vez recogidas.

Estos requisitos han limitado considerablemente los análisis científicos que pueden realizarse con las muestras de los pacientes. 

El éxito de una nueva técnica 

Con el objetivo de superar estas barreras, el equipo de Columbia creó un nuevo método de secuenciación que ofrecía los mejores resultados a partir de una pequeña cantidad de muestras tumorales congeladas.

Estas muestras, que suelen recogerse durante ensayos clínicos y almacenarse en biobancos, pueden incluir tejidos de cánceres poco frecuentes y de pacientes con antecedentes o factores de riesgo únicos.

La capacidad de la nueva técnica para secuenciar este tipo de muestras aumenta enormemente el número y la variedad de muestras tumorales disponibles para el análisis científico.

"Estamos muy entusiasmados con este trabajo y su potencial", ha declarado Elham Azizi, profesor adjunto de Ingeniería Biomédica y profesor adjunto Herbert y Florence Irving de Investigación de Datos sobre el Cáncer en el Instituto Irving de Dinámica del Cáncer, que ha codirigido este estudio con Benjamin Izar, profesor adjunto de Medicina en el Centro Oncológico Integral Herbert Irving. 

"La capacidad de trabajar a partir de muestras congeladas abre la puerta a colaboraciones multiinstitucionales que impulsarán el descubrimiento de biomarcadores y dianas farmacológicas. También nos da la oportunidad de aplicar técnicas computacionales de vanguardia en el análisis y la integración de los datos clínicos desbloqueados", explicó Azizi. 

Izar añadió: "Y como nuestro método sólo requiere una cantidad ínfima de tejido, el resto de la muestra puede utilizarse para otros estudios. Esto es realmente beneficioso para investigadores, clínicos y, lo que es más importante, para nuestros pacientes."

Los resultados del estudio amplían la comprensión de la progresión del cáncer

El nuevo estudio dirigido por Yiping Wang, Joy Fan y Johannes Melms, becarios de los laboratorios Izar y Azizi, generó resultados de secuenciación unicelular de ARN, secuenciación unicelular de receptores de células T, secuenciación del genoma completo y secuenciación espacial de ARN (un método innovador de secuenciación de ARN que preserva la arquitectura tumoral in situ), todos ellos realizados en las mismas muestras.

Gracias a la capacidad de unir múltiples modalidades de datos sobre el cáncer, los investigadores obtuvieron una visión completa de las alteraciones genéticas, las funciones celulares, la dinámica de las células inmunitarias y la localización espacial de las células en el contexto del tejido del paciente.

Estas mejoras ampliaron significativamente su comprensión de la progresión del cáncer y los mecanismos de resistencia.

Próximos pasos 

El equipo está aplicando ahora sus novedosas técnicas experimentales y computacionales para analizar cohortes clínicas más amplias.

Los datos les permiten estudiar mejor la progresión de la enfermedad y examinar el impacto de las terapias en ensayos clínicos en melanoma, así como en otros tipos de cáncer. 

ECHIDNA, una nueva herramienta computacional

Paralelamente, los investigadores también están desarrollando una innovadora herramienta computacional para el análisis integrador sistemático de datos de genoma completo y secuenciación de ARN unicelular, denominada ECHIDNA.

Esperan que este algoritmo de aprendizaje automático sea clave para comprender la relación entre las alteraciones genéticas (genotipo) y la función celular (fenotipo) en las células tumorales, y lo aplicarán a una cohorte más amplia de pacientes con melanoma para caracterizar diversos mecanismos de resistencia al tratamiento.

El trabajo futuro también incluirá la creación de nuevos métodos computacionales para integrar estos datos en el contexto espacial del corte histológico con el fin de caracterizar la dinámica espacial de las interacciones tumor-célula inmunitaria.

Izar señaló: "Además de comprender el tejido canceroso, nuestro método también permite estudiar la respuesta tisular y la inmunología tisular en otras enfermedades. En el pasado, utilizamos una versión anterior del método aquí presentado para estudiar la respuesta tisular a la infección letal por COVID-19 en múltiples órganos. Esto demuestra un ejemplo de desarrollos originados en la investigación del cáncer que pueden impulsar la investigación en ciencias de la vida en general."

Fuente: Escuela de Ingeniería y Ciencias Aplicadas de la Universidad de Columbia