- Dados preocupantes: Em 2023, mais de 14.490 americanos serão diagnosticados com glioblastoma (GBM) , um tumor cerebral que tem uma taxa de sobrevivência de 6,9% e uma média de vida de 8 meses após o diagnóstico.
- Impacto Além do Físico: O GBM e seus tratamentos afetam gravemente o cérebro, comprometendo funções essenciais e privando os pacientes de independência e identidade.
- Desafios Econômicos: Tratar o GBM é caro, levando muitos pacientes e suas famílias a enfrentar dificuldades financeiras significativas além dos desafios médicos.
- Impacto global: O glioblastoma é uma crise abrangente, afetando física, emocional e economicamente milhares de pessoas anualmente, ressaltando a necessidade de mais pesquisa e recursos.
📖
O glioblastoma (GBM), uma das formas mais comuns e agressivas de tumor maligno do sistema nervoso central, continua a ser uma das principais preocupações para a comunidade médica. Apesar dos avanços na forma como diagnosticamos e tratamos, a resistência terapêutica e a recorrência do tumor ainda são obstáculos que impactam os resultados clínicos. Uma das maiores barreiras é a heterogeneidade do tumor.
Recentemente, as tecnologias de transcriptômica espacial, que permitem o perfil de transcrição enquanto preservam a arquitetura do tecido, têm sido um marco na pesquisa sobre GBM. Ao contrário de abordagens anteriores que perdiam informações espaciais cruciais, essa nova técnica fornece dados mais completos sobre como as células malignas estão organizadas e interagem.
A combinação da transcriptômica espacial com imagens de histologia de alta resolução trouxe uma oportunidade de ouro para a integração de características moleculares e histológicas. O uso de algoritmos de aprendizado profundo, como redes neurais convolucionais (CNNs), tem mostrado eficácia na extração de padrões complexos dessas imagens, revelando insights mais profundos sobre o GBM.
Dando um passo adiante, um estudo recente intitulado Spatial cellular architecture predicts prognosis in glioblastoma, publicado na revista Nature, integrou dados de RNA-seq de única célula e transcriptômica espacial para identificar programas de expressão genética em GBM. Este estudo revelou a presença de cinco meta-módulos de genes, alinhando-se com classificações já conhecidas de células GBM.
O que é realmente revolucionário é a capacidade de inferir subtipos de transcrição das células GBM diretamente das imagens de histologia. Isso foi realizado através de um modelo de aprendizado profundo chamado GBM-CNN, treinado e validado usando dados de transcriptômica espacial. Esta técnica poderia ser um divisor de águas, já que imagens de histologia são mais acessíveis e baratas em comparação com tecnologias de ponta como transcriptômica espacial.
A análise dessas imagens revelou uma surpreendente heterogeneidade intra-tumoral. O estudo encontrou associações claras entre a arquitetura tumoral e o prognóstico do paciente. Notavelmente, foi observado que um maior número do subtipo MES-hipóxia estava correlacionado com um pior prognóstico. Este achado está alinhado com estudos recentes que mostram que ambientes hipóxicos podem promover agressividade e resistência terapêutica em tumores.
No entanto, vale ressaltar que a resolução atual do modelo ainda é limitada a um nível de "mancha" em vez de uma única célula. Portanto, a interação entre células tumorais e células imunológicas não foi considerada na análise, representando uma área de investigação futura.
Em resumo, a integração de imagens de histologia, transcriptômica espacial e resultados clínicos oferece uma nova abordagem promissora para entender melhor o GBM. E, embora os resultados atuais sejam focados no GBM, o framework proposto tem potencial para ser aplicado em outras doenças.
Para uma compreensão mais detalhada e profunda dos insights e avanços desse estudo, convidamos você a acessar a pesquisa completa clicando aqui.
Leia também:
Referência:
Zheng, Y., Carrillo-Perez, F., Pizurica, M. et al. Spatial cellular architecture predicts prognosis in glioblastoma. Nat Commun 14, 4122 (2023). https://doi.org/10.1038/s41467-023-39933-0