ADN-ul tumoral oferă indicii esențiale pentru identificarea originii cancerelor metastatice fără sediu primar cunoscut

Cercetători de la Universitatea Kindai din Japonia au dezvoltat un model de învățare automată (machine learning) care analizează tiparele de metilare CpG din ADN-ul tumoral și poate identifica cu o acuratețe de aproximativ 95% tipul de cancer și sediul de origine, oferind o nouă perspectivă pentru pacienții cu cancer cu sediu primar necunoscut (CUP - Cancer of Unknown Primary).
Rezultatele au fost prezentate de dr. Marco A. De Velasco la Reuniunea anuală a Asociației Americane pentru Cercetarea Cancerului (AACR) 2026 (17–22 aprilie) și nu au fost încă publicate într-un jurnal de specialitate. Modelul a fost antrenat pe date de metilare de la aproape 7.500 de pacienți cu 21 de tipuri de cancer din baza de date The Cancer Genome Atlas.

Idei principale

• Cancerul cu sediu primar necunoscut (CUP) reprezintă un cancer metastatic la care sediul de origine nu a putut fi identificat; pacienții cu CUP au un prognostic semnificativ mai prost decât cei cu cancer cu sediu cunoscut, din cauza lipsei accesului la terapii țintite.
• Doar 15–20% dintre pacienții cu CUP primesc terapii specifice sediului de origine (supraviețuire mediană: până la 24 de luni), față de 80–85% care primesc chimioterapie generică (supraviețuire mediană: 6–9 luni).
• Metilarea CpG - o modificare chimică a bazelor ADN la nivelul citozinei și guaninei - acționează ca o „amprentă moleculară” specifică fiecărui tip de țesut, persistând chiar și după metastazare.
• Modelul a identificat corect tipul de cancer în aproximativ 95% din cazuri în cohorta de testare și a menținut o acuratețe de aproximativ 87% în validarea independentă pe 31 de cazuri reprezentând 17 tipuri diferite de cancer.
• Modelul utilizează doar aproximativ 1.000 de regiuni CpG din cele sute de mii existente în genom - demonstrând că un set restrâns de markeri poate menține o performanță predictivă ridicată.
• Limitarea majoră actuală: modelul a fost antrenat pe cancere cu sediu cunoscut, nu pe adevărate CUP - necesitând validare prospectivă pe pacienți cu CUP real.

Despre studiu

Design și populație

Studiu de dezvoltare și validare a unui model computațional. Datele de metilare CpG au fost obținute de la aproape 7.500 de pacienți cu 21 de tipuri diferite de cancer din The Cancer Genome Atlas și alte baze de date publice. Datele au fost împărțite în cohorte de antrenare și testare. Validarea independentă a utilizat 31 de cazuri din instituția cercetătorilor, reprezentând 17 tipuri de cancer.

Metodologie

Cercetătorii au aplicat algoritmi de învățare automată pentru identificarea site-urilor de metilare CpG din ADN-ul tumoral, asociate cu tipuri specifice de cancer, și au construit profiluri de metilare caracteristice fiecărui tip tumoral. Scopul declarat a fost identificarea unui set restrâns și practic de markeri - aproximativ 1.000 de regiuni CpG din sute de mii disponibile - care să mențină o putere predictivă ridicată, facilitând eventualele aplicații clinice.

Rezultate

Acuratețe de identificare

Modelul a identificat corect tipul de cancer în aproximativ 95% din cazuri în cohorta de testare. Performanța s-a menținut robustă - aproximativ 87% acuratețe - în cohorta de validare independentă, care a inclus 31 de cazuri din 17 tipuri de cancer diferite. Utilizarea unui set restrâns de aproximativ 1.000 de markeri CpG, față de sute de mii disponibile, nu a compromis semnificativ performanța predictivă.

Potențialul clinic

Modelul ar putea ajuta clinicienii să treacă de la abordările de tip „încercare și eroare” la selecția terapiilor adaptate sediului probabil de origine al cancerului, îmbunătățind prognosticul pacienților cu CUP. Un pas ulterior prioritar este adaptarea modelului pentru analiza ADN tumoral circulant din sânge (biopsie lichidă), eliminând dependența de probe de țesut.

Limitări

Modelul a fost antrenat exclusiv pe cancere cu sediu cunoscut, nu pe adevărate CUP - necesitând validare prospectivă. Nu toate tumorile sunt accesibile pentru testare genetică, mai ales în stadii avansate. Accesul la secvențiere de metilare rămâne limitat în multe contexte clinice. Adaptarea pentru biopsii lichide reprezintă un pas important, dar nerealizat încă.

Concluzii

Tiparele de metilare CpG din ADN-ul tumoral constituie o „amprentă moleculară” specifică tipului tisular de origine, persistentă după metastazare. Un model de învățare automată bazat pe aproximativ 1.000 de markeri CpG selectați din sute de mii disponibile poate identifica sediul de origine al cancerului cu acuratețe de aproximativ 95%, oferind o bază pentru terapii mai precise la pacienții cu CUP - o categorie cu prognostic extrem de rezervat în absența unui diagnostic de origine. Validarea prospectivă pe pacienți reali cu CUP reprezintă pasul esențial următor.