Onconews - Fragmentomas de cfDNA e biomarcadores de proteínas para detecção precoce do câncer de ovário

Um exame de machine learning baseado no sangue que combina padrões de fragmentos de DNA livre de células (cfDNA) e níveis das proteínas CA125 e HE4 poderia diferenciar pacientes com câncer de ovário de controles saudáveis ou pacientes com massas ovarianas benignas. Os resultados são de estudo retrospectivo apresentado no AACR 2024 por Jamie Medina (foto), pós-doutorando no Johns Hopkins Kimmel Cancer Center.

“A falta de ferramentas de rastreio eficientes, combinada com o desenvolvimento assintomático do câncer de ovário, contribui para diagnósticos tardios, quando as opções de tratamento eficazes são limitadas”, disse Medina. “Uma abordagem de detecção econômica e acessível poderia mudar os paradigmas clínicos do rastreio do câncer de ovário e potencialmente salvar vidas”, acrescentou.

As tecnologias de biópsia líquida, nas quais os investigadores analisam o sangue dos pacientes em busca de provas de DNA derivado de tumor, têm sido exploradas como uma forma de detectar de forma não invasiva uma variedade de tumores; no entanto, nem sempre foram úteis no câncer de ovário. DELFI (DNA Evaluation of Fragments for early Interception) utiliza um método mais recente de análise de biópsia líquida, chamado fragmentômica, que se mostrou promissor na melhoria da precisão de tais testes. A abordagem se baseia na detecção na circulação de mudanças no tamanho e distribuição de fragmentos de cfDNA ao longo do genoma, ou fragmentoma.

“Como as células cancerígenas crescem e morrem rapidamente e têm genomas caóticos em comparação com as células saudáveis, os pacientes com câncer têm padrões diferentes de fragmentos de DNA no sangue em comparação com indivíduos sem câncer”, disse Medina. “Ao analisar cuidadosamente estes fragmentos em todo o genoma humano, podemos detectar padrões sutis que indicam a presença da doença.”

Medina, Annapragada e colegas analisaram fragmentomas de indivíduos com e sem câncer de ovário usando DELFI. Eles treinaram um algoritmo de machine learning para integrar os dados do fragmentoma com os níveis plasmáticos de dois biomarcadores conhecidos do câncer de ovário: as proteínas CA125 e HE4.

Os pesquisadores analisaram o plasma de 541 mulheres - 134 mulheres com câncer de ovário, 204 sem câncer e 203 mulheres com massas anexiais benignas. Eles usaram os dados para desenvolver dois modelos: um para examinar o rastreio do câncer de ovário numa população assintomática e outro para diferenciar de forma não invasiva massas benignas das cancerígenas.

Com uma especificidade superior a 99% (quase nenhum falso positivo), o modelo de rastreio identificou 69%, 76%, 85% e 100% dos casos de câncer de ovário em estágios I-IV, respetivamente; A área sob a curva foi de 0,97 em todos os estágios, muito superior ao desempenho dos biomarcadores atuais (AUC=0,97, IC 95%: 0,94-0,99). Para efeito de comparação, uma análise apenas dos níveis de CA125 identificou 40%, 66%, 62% e 100% dos casos em estádio I-IV, respectivamente, destacando a benefício da combinação de características fragmentômicas e proteômicas (p = 0,0009, teste bilateral de proporções iguais).

O modelo diagnóstico foi capaz de diferenciar o câncer de ovário de massas benignas com área sob a curva de 0,87.

No cenário diagnóstico, a abordagem diferenciou massas benignas de cânceres de ovário com uma AUC de 0,87 (IC 95%: 0,83-0,91), detectando 60% dos cânceres de ovário com uma especificidade de 95%.

O grupo pretende validar os seus modelos em coortes maiores para fortalecer as associações aqui observadas, disse Velculescu. “Nossas descobertas indicam que esta abordagem combinada resultou em melhor desempenho de triagem em comparação com os biomarcadores existentes”, concluíram.

As limitações deste estudo incluem um tamanho de amostra relativamente pequeno, uma população de estudo composta principalmente por pacientes americanos e europeus e a natureza retrospectiva da análise.

Referência: 6086 – Early detection of ovarian cancer using cell-free DNA fragmentomes and protein biomarkers - J. E. Medina1, A. V. Annapragada1, P. Lof2, S. Short1, A. Bartolomucci1, R. Dua1, D. Mathios1, M. Noë1, Z. H. Foda1, D. C. Bruhm1, E. Jung3, J. Canzoniero1, N. Niknafs1, S. Cristiano1, V. Adleff1, H. Symecko4, D. van de Broek2, L. Sokoll1, S. B. Baylin1, M. F. Press5, D. Slamon6, G. Konecny6, S. Domchek4, R. Drapkin3, J. Phallen1, R. B. Scharpf1, C. Lok2, V. E. Velculescu1; 1Johns Hopkins University School of Medicine, Baltimore, MD, 2The Netherlands Cancer Institute, Amsterdam, Netherlands, 3University of Pennsylvania School of Medicine, Pennsylvania, PA, 4University of Pennsylvania, Pennsylvania, PA, 5Keck School of Medicine, University of Southern California, Los Angeles, CA, 6David Geffen School of Medicine, University of California Los Angeles, Los Angeles, CA
Tuesday, April 9, 2024, 1:30 pm - 5:00 pm