Donde curro tenemos a un bonito equipo que se dedica a buscarnos las publicaciones más llamativas que cada semana emergen en el mundo de la investigación base del cáncer. Además, una vez a la semana hacemos un "journal club", que es básicamente sentarnos como frikis a diseccionar una publicación sobre cáncer. Así que he pensado ¿porque no compartir dichos conocimientos con MV?
Me guardaré este post para ir recopilando las publicaciones que tratará cada semana.
Y aquí va el primero 14/11/2017.
Pan-cancer analysis of whole genomes
He elegido este paper como primero porque no es bien bien un trabajo científico sobre cáncer sino un resumen que da por finalizado unos de los mayores consorcios de secuenciación y análisis de tumores a nivel internacional, el ICGC (International Cancer Genome Consortium).
En él se repasa qué sabemos actualmente de la genómica del cáncer y se da una pequeña pincelada sobre los descubrimientos que el ICGC ha llegado a cabo. Destaco una imagen a modo de resumen.
En ella cada punto representa un paciente distinto y se destacan cuántas mutaciones posee una célula tumoral respecto a una sana dentro del mismo individuo. A muchos que estudiaron biología y genética hasta llegar a las teorías mendelianas, aquellas de que un gen codificaba para un carácter (el famoso color de las plantas), les sorprenderá que cuando en cáncer hablamos de mutaciones no nos referimos a un pequeño defecto en el DNA que desencadena un tumor, sino a las miles y en ocasiones cientos de miles de mutaciones que el DNA tumoral llega a acumular. Es por eso que el cáncer se engloba dentro de los "complex diseases".
En la figura los pacientes están ordenados por tipo de tumor en orden creciente, y para aquellos con un ojo más despierto enseguida notarán que los tumores de la derecha, los más mutados, son aquellos asociados a agentes externos: cáncer de piel (luz), de pulmón (tabaco), de esófago, etc. Y es que los principales agentes que nos provocan mutaciones en nuestras células se encuentras precisamente fuera de nosotros y además pueden ser evitados llevando una vida saludable.
Las mutaciones están divididas en 4 grandes bloques:
SNVs: Conocidas com mutaciones puntuales, es cuando sólo una de las 4 fomasos letras que forman nuestro DNA (A-C-G-T) ha cambiado en una posición concreta. Por ejemplo, allá donde en la célula sana tenemos una adenina (A) nos encontramos en el tumor una guanina (G). Son el tipo de mutación más habitual ya que su efecto suele ser menor y por lo tanto las células toleran más.
Indels: Diminutivo para inserciones y deleciones, es decir directamente se han perdido trozos enteros de secuencia o se han insertado fragmentos enteros.
SVs: Variaciones estructurales, es cuando nuestros cromosomas se vuelven locos, empiezan a partirse en cachos y nuestra célula en un intento desesperado por reconstruir su genoma intenta arreglarlo como buenamente puede. Esto incluye empalmar cachos sueltos, eliminar fragmentos sobrantes, empalmar cromosomas diferentes, etc.
Retrotransposones: Esto daría para ríos de tinta, para resumirlo diremos que son trozos del DNA que se han movido de sitio, pudiendo saltar incluso entre cromosomas diferentes.
A favs, a ver si saco tiempo y me lo miro bien
Si pudieras explicar lo que significan las siglas de los tipos de tumores y las diferencias, por fi ?
#3Genna:Si pudieras explicar lo que significan las siglas de los tipos de tumores y las diferencias, por fi
Depende de qué tipo de tumor. Tradicionalmente los médicos habían catalogado al tumor en función al órgano donde se lo encontraban, pero desde hace ya bastante años con la secuenciación de tumores y estudio de su expresión se ha migrado en la mayoría de casos a una doble designación que suele incluir órgano/tejido - tipo celular del que proviene.
De esta forma por ejemplo tenemos 2 tipos de cáncer de pulmón, el adenocarcinoma (adenoCA) y el squamous cell carcinoma (SCC). Los adenocarcinomas a groso modo se generan a partir de células glandurales mientras que el segundo surge de células epiteliales que forma el recubrimiento, vamos la piel propiamente dicha.
http://www.cancerresearchuk.org/about-cancer/lung-cancer/stages-types-grades/types
La mejor manera de saber las principales diferencias es hacer un googleo rápido. Lo que es interesantes es que muchas veces la célula de origen es incluso más importante que el órgano en el que se origina y tiene importantes consecuencias en la prognosis del tumor (evolución y probabilidad de supervivencia).
#1 ¿Podrías explicar brevemente a qué te dedicas o si tiene cercanía con el tratamiento e investigación del cáncer?
#5 Soy investigador de lo que se denomina genómica computacional (todo el día frente a un ordenador programando y analizando datos). Yo no trato con pacientes, los oncólogos hacen una disección del tumor, mandan a secuenciar las células tumorales y de ahí salen unos archivos inmensos de información. Yo pillo esos archivos y los analizo para encontrar cambios en el genoma que hayan podido producir cáncer.
Un genoma completo de un paciente de cáncer ronda los 500Gb en texto plano, eso para quien no lo sepa es una auténtica exageración de texto. El último proyecto que participé analizaba 2.700 pacientes de diferentes tipos de tumor e intentaba buscar rasgos comunes y particulares de cada tipo de tumor. De tratamientos solo conozco lo que leo, yo no me dedico a eso, yo encuentro un gen que provoca cáncer y describo su impacto y efectos. Luego son otros los que miran si el gen puede ser interesante como diana terapéutica y las farmas deciden si gastarse en dinero en investigar un medicamento.
Al final mi trabajo no es tan diferente al de un informática que analiza lo que se conoce como Big Data.
Mmm perfecto, me ha quedado todo claro.
Lo único que no he pillado es lo de las farmacéuticas dejarse dinero en investigar un medicamento... ¿Suelen hacerlo? ¿O cómo va ese proceso?
#7 Lógicamente dependerá si creen que les puede salir rentable. Por eso me hacen gracia los conspiranoicos que afirman que las farmecéuticas han encontrado la cura para el cáncer pero lo ocultan.
Las farmacéuticas no suelen hacer investigación base sobre el cáncer. En su mayoría se esperan a que la investigación pública encuentre una buena diana terapéutica (un gen o una proteína o una vulnerabilidad concreta del tumor), y entonces si creen tener o poder desarrollar un fármaco que actúe sobre ella sí que se dejan la pasta en investigar. Pero ninguna farmacéutica que conozca se dedica a tirar dinero en analizar pacientes de cáncer "a ver si encuentran algo".
Es por eso que todos los resultados que obtenemos los hacemos públicos: para que puedan ser aprovechados si se creen oportunos sin tener que pagar patentes ni derechos de ningún tipo.
Ojalá y algún día vuestro trabajo tenga una buena recompensa y aparezcáis en todos los medios de prensa por haber dado con algo gordo y haber ayudado en encontrar cura para esa enfermedad.
Trabaja duro crack!
#8 está muy bien el tema de describir las alteraciones genomicas. Ese análisis es puramente cuantitativo no? Después analizado cuáles son los polimorfismos más comunes y en qué genes se localizan o algo?
Seguís algún proceso para ver si esa mutación es directora del cáncer o solo describis los datos?
Por último, me parece muy importante de donde sacáis los datos y como los agrupais. Me explico, tu puedes tener un dato de un cáncer de mama de una mujer con un nodulito pequeño que le detectan en una mamografía y se lo operan el pecho y listo , o también puedes tener un dato de una mujer con múltiples metástasis al diagnóstico que se le hace una biopsia de una metástasis ganglionar para confirmar el diagnóstico. No hablo ya de tumores hematológicos donde mucha quimio y tumores secundarios a la quimio.
Incluso dentro del tumor de mama tener uno metastásico te condiciona a tener más mutaciones y bueno, si no tienes una muestra representativa puede que las conclusiones no sean las adecuadas no sé si sabes por dónde voy.
El trabajo me encanta y me parece súper apasionante . En algunos tumores se necesita saber más sobre su biología molecular para plantar terapias dirigidas ya que la quimio en algunos no vale pa na
Edit. En favs me lo apunto. Tengo algún artículo interesante x ahí
A favs directo!! Me quede con el gusanillo dentro después de trabajar en cáncer en mi TFM y no poder seguir en ello, esto viene genial para no desconectar y estar un poco al día!
#1
Yo tengo mucha curiosidad acerca de la manera que tenéis de trabajar con tal volumen de datos. Entiendo que los grupos que se dedican a bioinformática y cya tendréis acceso a algún tipo de sistema central con gran potencia de computación. ¿Cómo es la rutina?
#12 Yo no soy él, pero trabajo en big data y lo que se usan son CPD propios (ya sean privados, del grupo de investigación, la Universidad...) o en la nube (Amazon, por ejemplo). Por hacerte una idea, yo ahora mismo tengo acceso a un clúster enano que tiene 128 núcleos, medio TB de memoria RAM y varios TB de almacenamiento y como digo, es enano.
#10 Contestaré solo a la segunda parte porque la primera está relacionado con el paper que pondré esta semana.
Como se diferencian dependen mucho del tipo de estudio que quieras hacer. En el que he estado involucrado esta última vez han sido solo "tumores primarios", es decir que no han hecho metástasis y que la muestra que tenemos es de la primera diagnosis que se le hizo al tumor. Lógicamente los hospitales tienen muchas limitaciones a la hora de diagnosticar un tumor y estos suelen estar bastante desarrollados ya.
En otro estudio que participé de cáncer de mama exclusivamente se estudiaba la evolución y progresión de los mismos y por lo tanto habían tanto muestras primaras, como muestras secundarias que habían desarrollado resistencia al tratamiento, como muestras metastáticas. Una de las gracias era ver como el tumor era capaz de irse adaptando y evolucionando.
#12 Pues por poner un ejemplo un genoma concreto es aprox 0.5 Teras (500Gb) y en el estudio de Pancancer se analizaron 3.000 pacientes. Si haces la cuenta verás que es una exageración. Analizar un genoma completo de paciente tarda 1 día en secuenciarse y unos 3 en analizarse y sacar las mutaciones (números muy aprox.). Y eso es solo para tener los datos iniciales con los que empezamos a trabajar.
Así que sí, todos los centros tienen clusters para realizar estos trabajos que pueden oscilar entre unos pocos cientos de procesadores hasta miles dependiendo del sitio. Y la manera de trabajar es programando y desde linea de comandos, no se tira nada en interactivo, lanzamos el trabajo a la máquina remota y seguimos trabajando en otra cosa mientras esperamos que todos los resultados que vuelquen en un archivo.
#14
Ya veo. Entiendo que tendréis que compartir potencia y tiempo con otros grupos. ¿Pedís turno? ¿Cómo os organizáis para sacarle partido? Es que os imagino ahí a puñaladas por poder robar una hora de procesamiento del cluster ese xd.
#15 Similar a cuando compartes una máquina en el laboratorio, pero aquí no te puedes enfadar con nadie porque delegamos la responsabilidad en un programa informático. Tenemos lo que se dice un programa de gestión de colas, y los sistemas de gestión de cola son una ciencia en sí mismos. Tú tienes por defecto una prioridad preasignada que puede depender de varios factores: proyecto, grupo al que pertenezcas, horas que ya has usado, lo bien que estimas el tiempo que usarás, etc. Con ese "valor" entras a la cola y dejas ahí tu programa acumulando prioridad (esta normalmente va incrementando con el tiempo de espera), hasta que llega un momento que tienes la prioridad suficiente como para que el siguiente hueco que haya se te asigne.
Hay todo un mundo de supersticiones rodeando al sistema de colas, donde diferentes usuarios afirman tener "estrategias" para aumentar sus prioridades: desde encapsular todos tus trabajos en uno solo que demande muchos más recursos (normalmente se premio a los que usan muchos recursos a la vez), hasta enviar muchos pequeños por separado para "llenar los huecos libres" (a veces tener 200 procesadores libres es difícil, pero siempre hay 1 o 2 disponibles).
Lo frustrante es cuando has esperado 1 hora a que tu programa entre y justo cuando empieza a correr te das cuenta que contiene un error 
22/11/2017 y dedicado especialmente a #10 que me obligó a hacer un pequeño spoiler del paper de esta semana.
The whole-genome panorama of cancer drivers
Paper algo durillo de seguir y que aporta una enorme cantidad de datos tras analizar 2.500 tumores en 37 tipos de cáncer diferentes. El objetivo principal es el intentar entender una pregunta fundamental en la investigación del cáncer:
¿Cuántas de las miles de mutaciones que observamos en un tumor son realmente necesarias? Aquellas necesarias para el desarrollo o mantenimiento del tumor son las que denominamos "driver mutations" y lógicamente son las principales candidatas para diagnóstico precoz y terapias contra el tumor.
Sin entrar en detalle en lo compleja que pueda ser la estadística utilizado (quien quiera puede leerse los materiales y métodos) la estrategia que han seguido para identificar esas mutaciones driver se puede dividir en 3 grandes categorías:
El gen o la mutación está sobrerrespresentada. Si consideramos que las mutaciones no-drivers, denominadas "passenger" son fruto de un proceso al azar, aquellos genes que acumulen más mutaciones de las que esperaríamos por simple aleatoriedad deben estar siendo seleccionadas. En este categoría se utiliza tanto la sobrerrepresentación directa como el estudio dN/dS, que para los no puestos en el tema es comparar cuántas mutaciones que afectan a genes provocan también un cambio en la proteína respesto a las que no.
Ya sabíamos que ese gen era driver. Podemos hacer uso de la extensa bibliografía y de los miles de estudios tanto de laboratorio como hospitalarios para sacar una lista de genes que ya sabemos que son driver, un buen ejemplo es COSMIC , una base de datos que intenta aglutinar todo este conocimiento.
Afectan indirectamente a genes driver o a vías sospechosas de serlo. Este es un punto más llamémosle "generoso", se analiza el impacto funcional que tiene la mutación y si esta puede resultar relevante para el desarrollo del tumor.
Como dije inicialmente el paper es muy descriptivo y ofrece una enorme cantidad de figuras y figuras suplementarias que permiten analizar tanto los diferentes tipos de tumor como los eventos desde diferentes ópticas. Yo daré simplemente 2 pinceladas.
Desconocemos como de lejos estamos de identificar todos los elementos driver que permiten a los tumores ser lo que son, podríamos estar cerca de conseguirlo como descubriendo solo la punta del iceberg. Lo que resulta evidente es que nuestro conocimiento del cáncer se amplía al mismo ritmo que lo hace nuestro conocimiento del genoma humano, como demuestra la incorporación de drivers no asociados a regiones codificantes (genes).
Si en un futuro aspiramos a desarrollar terapias personalizadas más precisas que la simple quimioterapia/radioterapia o directamente la cirugía, será imprescindible entender qué puntos del genoma han cambiado para permitir a células sanas de nuestro organismo hayan tomado la decisión de volverse tumorales y poder actuar sobre dichos puntos.
#18 Muy chulo me ha gustado. Ando con el MIR y no tengo tiempo para leerme nada y ganas bastante limitadas. Pero aún así, ahí analizais el gen mutado lo cual es algo muy importante ami parecer y su repercusión ser driver/ no driver. Cualquiera que sepa de genetica se dará cuenta que aunque un gen codificante es importante una proteina es controlada a su vez por miles de genes que regulan su expresion y su procesamiento postranscripcional desde que es un simple ARN, lo que quiere decir que el resultado de una proteina puede ser resultado de varios genes y no tienen porque codificar directamente otras proteinas. Como tu dices creo que es simbolo de "maduración" el ir viendo que los genes no codificantes tambien importan.
Una cosa que no entendí en su momento es el tema de los telomeros y por qué no se usaba como diana terapeutica ya que lo veia bastante factible, encontré un articulo que explica las dificultades de los telomeros para ser diana, si quieres te lo paso. Creo que tambien aportaban resultados con algun farmaco.
Aún identificando los genes codificantes, un problema que veo yo en la práctica clinica con los fármacos son los diferentes tipos de mutaciones, por ejemplo, se tiene un farmaco para la leucemia mieloide crónica que se llama imatinib, inhibe la proteina resultante del famoso cromosoma philadelphia (la traslocacion BCR-ABL o 9,22 como quieras llamarla) es algo archiconocido porque cambio el paradigma de tratamietno de esta enfermedad al identificarse esta traslocacion y esta proteina y desarrollar un farmaco contra ella, el control y la supervivencia ha aumentado muchisimo siendo el unico tratamiento eficaz. El problema viene que imatinib a veces falla aun estando presente esta mutación y es porque se ha producido de forma distinta, en vez de hacer una proteina mas grande, la hace mas chica o cambia algunos aminoacidos lo que hace que el farmaco sea menos eficaz o no lo sea.
A veces esto sucede de forma primaria y la mutación estaba asi y te jodes, otras veces surge de forma secundaria y se ve como "un fallo" de imatinib en un paciente que iba bien controlado con el. De ahí que hayan surgido otras moleculas para inhibir otras proteinas que surgen de otras mutaciones de ese mismo gen driver. Con esto quiero decir, a parte de la estadistica (que es muy importante y es la guia por supuesto), os centrais en hacer estadistica de la mutación en si? me explico del gen X un 70% presentaba un cambio del codon AGG (normal) por ACG , 20 % por CGG y el resto tal, y ver si realmente acaban codificando proteinas estructuralmente diferentes?
Siento la redacción estoy desde el movil
#19vuvefox:Con esto quiero decir, a parte de la estadistica (que es muy importante y es la guia por supuesto), os centrais en hacer estadistica de la mutación en si? me explico del gen X un 70% presentaba un cambio del codon AGG (normal) por ACG , 20 % por CGG y el resto tal, y ver si realmente acaban codificando proteinas estructuralmente diferentes?
Me permitiré el lujo de hacer publicidad de una herramienta desarrollada por un grupo de Barcelona que permite mirar eso que comentas, en concreto para el gen BCR (por poner uno que tú has nombrado).
https://www.intogen.org/search?gene=BCR
Ahí se puede ver como ese gen está predominantemente mutado en "diffuse B cell lymphomas" representando casi un 9% de los casos, qué tipo de mutaciones son más habituales, que efectos tiene y cual es la proteína resultante. No da información sobre fármacos pero hay otras páginas que sí lo dan. En este caso no aparece información sobre la translocación porque las variantes suelen ir por separado, no hay suficientes como para hacer un estudio estadístico en la mayoría de casos y casi todas se suelen anotar a mano.
Cada semana un día más tarde pero aquí va el de esta 30/11/2017, dedicado al cáncer de mama y a la evolución de tumores:
Genomic Evolution of Breast Cancer Metastasis and Relapse
Un paper que considero especialmente bueno por lo bien que han estudiado los casos y como han sabido cubrir las diferentes areas. A los más novicios en la materia les sorprenderá la perspectiva tan evolutiva que tiene este estudio sobre la dinámica de los tumores desde un estadio primario hasta sus fases de metástasis.
Pero es que un tumor es exactamente eso, un ente vivo, heterogeneo, que no deja de reproducir sus célula y que está permanentemente mutando y evolucionando. Cada vez que una de sus células acumula una mutación que puede beneficiar al tumor, existe una posibilidad que dicha célula vea incrementada su presencia en el tumor hasta acabar pasando a formar todo una nueva población de células tumorales que posean dicha mutación. De esta forma el tumor desarrolla resistencia a antibióticos, se vuelve más agresivo y puede incluso acabar invadiendo otros tejidos.
170 pacientes y 300 muestras para estudiar como es de diferente un mismo tumor de mama que ha invadido diferentes tejidos.
El paper divide los resultados en 2 grandes bloques:
Como podemos observar en casi todos los pacientes examinados, la diversificación del tumor en diferentes entidades es relativamente reciente. La linea negra, que representa la acumulación de mutaciones en el tumor primario, representa la mayor parte de las mutaciones observadas en el tumor. Hay que destacar que la escala de tiempo es bastante grande, en algunos caso el tiempo transcurrido desde la expansión del tumor primario en diferentes subclones (el punto rojo) hasta que se constató y secuenció la variantes metastática ha podido ser de incluso 10 años. Esto nos da una idea de la escala de tiempo que un tumor puede estar creciendo dentro nuestro incluso de forma silenciosa.
El hecho de que compartan tantísimas mutaciones, y especialmente tantos genes "driver" (los nombres que aparecen al lado de las lineas), es una muy buena señal, ya que una terapia centrada en atacar vulnerabilidades provocadas por esos genes, no solo será efectiva en el tumor primario, sino también en todos los nuevos tumores que se han diseminado por el cuerpo y que provienen del principal.
El paper continúa con una extensa descripción de eventos, tales como mutaciones en regiones no-codificantes, descripción de las signatures (ya pondré un paper otra semana) que vienen a ser un poco como los agentes mutagénicos que han actuado en cada estadio del desarrollo. Así como los tratamientos a los que los pacientes han sido sometidos y como los tumores han evolucionado para volverse resistentes a ellos en cada uno de los casos:
Tanto el paper como sus referencias dan una información bastante completa sobre el tumor y el estudio realizado, yo solo he dado algunas pinceladas sencillas para no hacerlo muy complicado. Si alguien se lo empapa bien y sigue alguna de las referencias que nombra la publicación, tendrá una visión muy amplia y completa sobre como se comporta y qué características tienen este tipo de tumores.
El paper aborda el tumor desde una perspectiva que últimamente está ganando una enorme relevancia: como una entidad viva que evoluciona y se adapta al medio. Está visión de los tumores es esencial para comprender la enorme facilidad que tiene para volverse resistentes a los tratamientos y cada vez hay más estudios que no solo analizan el tumor, sino que dedican tiempo y recursos a realizar un seguimiento de los mismos para entender mejor sus dinámicas.
Intentaré que las publicaciones sean lo más recientes posibles, pero por hechos puntuales esta semana me ha tocado leer unas cuantas publicaciones sobre reconstrucción de trayectorias evolutivas en cáncer y sinceramente, os voy a endiñar uno de ellos que creo que está bastante bien y no es tan complejo de entender como otros. Eso sí, preparaos porque viene un poco de matemática.
8/12/2017
A mathematical framework to determine the temporal sequence of somatic genetic events in cancer
Como ya he comentado con anterioridad, los tumores hace ya mucho que no se entienden como una entidad estática de células idénticas que están ahí para hacernos la vida imposible. De hecho sabemos que son conjuntos de células con diferencias significativas entre ellas y que están en permanente evolución, acumulando nuevas mutaciones y adaptándose al medio que las rodea, tanto para aumentar su virulencia como para sobreponerse a tratamientos que traten de erradicarlas.
Entonces, la pregunta es ¿podemos desenmarañar esa trayectoria evolutiva y aprender algo de ella? De esto precisamente es de lo que trata la publicación de esta semana. Partiendo de un mismo tipo de tumor secuenciado en diferentes pacientes, se intentan encontrar los puntos en común y las líneas evolutivas comunes. El principio es bien fácil: si todos los pacientes con la mutación B también tienen la mutación A, pero solo algunos de los que poseen la A tienen también la B, podemos deducir que A ha sucedido antes que B. La realidad nunca es tan sencilla y de ahí que se usen complejos métodos para intentar deducir estas relaciones.
Eso es precisamente lo que vemos en la imagen anterior, Cada bloque de 4 cuadros representa un estados posible (4 bloques grises si nada está mutado, 1 bloque azul si el paciente tiene una copia de la mutación azul, 2 bloques rojos si tiene 2 copias de la mutación roja). A raíz de las observaciones podemos ver que hay algunas combinaciones más frecuentes que otras (n es el número de pacientes con dicha combinación). Partiendo de que las mutaciones se adquieren de 1 en 1, algo que no es siempre cierto pero se puede asumir en la mayoría de casos, podemos empezar a desenmarañar el problema.
Para los detalles, leeros la publicación 
, pero así de forma rápida decir que la estrategia se centra en minimizar una función mediante el método de Simplex Minimization de Nelder y Mead. La función que usa tiene en cuenta una frecuencia de aparición de mutaciones, una fitness o ventaja asignada a cada mutación y un parámetro de tránsito de células entrando y saliendo del sistema. De esta forma y limitando los valores que pueden albergar las diferentes variables en juego, se intenta encontrar la combinación que mejor explica las observaciones.
Al tratarse de una publicación sobre un método, los resultados no son más que verificaciones de su funcionamiento en casos conocido, bueno, en realidad los resultados serían el método en sí mismo que ya expliqué en el apartado anterior. La realidad es que son capaces de reproducir algunos hechos conocidos en algunos tipos de cáncer, pero la potencia de estos métodos es bastante limitada ya que actualmente el número de pacientes secuenciados tampoco es muy alto.
Estos estudios son los típicos que ganan relevancia cuanto más viejos se hacen, ahora que empezamos a secuenciar a miles de pacientes en vez de a cientos, empiezan a ganar fuerza y desgranar algunos aspectos interesantes. Cuando tengamos millones de pacientes, quizás sean capaces de encontrar hechos realmente relevantes.
Como todo modelo matemático, simplifica enormemente un sistema que es todo menos simple (multiples variables que desconocemos, caótico, cambiante y dinámico). Empezando por creer que la secuencia temporal de genes puede importar, cuando quizás solo importa que en algún momento una combinación de ellos esté presente.
Este tipo de herramientas son muy útiles cuando quieres incorporar a tu estudios una visión evolutiva del tumor, pero su alcance para hacer un análisis exhaustivo de la evolución en cáncer es limitada, porque parten de la premisa inicial de que solo tenemos 1 única muestra por paciente y tumor, lo que se denomina "cross-sectional genomic data". La realidad es que los estudios que buscan centrarse en la evolución de los tumores ya se diseñan experimentos que permitan hilar más fino: multiples muestras de diferentes partes del tumor, seguimiento del paciente a lo largo del tiempo, etc.
De todas formas, entender como evoluciona el tumor es esencial a la hora de clasificar pacientes y, por ejemplo, anticipar posibles variantes más dañinas para los pacientes afectados por un tumor poco agresivo.
Vuelta a las publicaciones nuevas y esta vez una review, que siempre van bien para informarse de como está el tema
15/12/2017
Towards personalized, tumour-specific, therapeutic vaccines for cancer
La review analiza el momento en el que se encuentra la inmunoterapia en cáncer, es un tema que lleva ya varios años de muchísima actualidad y donde se están haciendo avances muy significativos. Así que dejamos de lado un poco las publicaciones más descriptivas para meternos de lleno en una técnica que es el centro de desarrollo de fármacos y la erradicación del cáncer en pacientes que sufren dicha enfermedad.
Ya hoy en día nadie duda que no encontraremos una cura para el cáncer como tal, sino que nos veremos obligados a analizar a cada paciente bien por separado o bien como perteneciente a un grupo de pacientes con un cáncer de características similares. Por lo tanto, las terapias serán lo que denominamos "personalizadas", decenas o incluso centenares de fármacos diferentes donde elegir y que sólo unos pocos pueden ser potencialmente útiles para un paciente concreto. ¿Como saber cual elegir?
La inmunoterapia en cáncer es un campo que abarca varias estratégicas y se centra exactamente en esa visión personalizada de lucha contra los tumores. El principio de todas estas estrategias es el mismo: si todos los tumores tienen como rasgo común el que acumulan miles de mutaciones, en ocasiones llegando incluso a cientos de miles, seguro que alguna de ellas modifican la célula lo suficiente como para que al sistema inmune le resulte sospechoso. Nuestro sistema inmune tiene un mecanismo de "validación" de células propias que utiliza para combatir infecciones externas ya sean de bacterias, hongos, flora intestinal y un largo y extenso etc.
Sin entrar muy en detalle en el mecanismo el principio esencial es que durante las primeras etapas de vida el sistema inmune almacena información sobre el diferente "cóctel" de proteínas que tienen nuestras células. A lo largo de nuestra vida de forma permanente nuestros glóbulos blancos (linfocitos) van reevaluando ese "cóctel" y cuando algo que no debería estar aparece, la célula es destruida.
Es precisamente esta baza de "algo nuevo que no estaba" la que la inmunoterapia intenta explotar. Lógicamente si tenemos cáncer es porque el sistema inmune no ha sido capaz de erradicarlo por sí mismo, por lo que hace falta darle una pequeña ayuda para que gane la batalla. Para ello hay 3 estrategias principales:
Todas estas terapias ya cuentan con diversos fármacos tanto en fases experimentales como actualmente comercializándose, la publicación repasa algunos de ellos junto con sus principales limitaciones. De todas ellas hay 2 muy importantes: generalmente son altamente específicos por lo que solo funcionan en % pequeños de los pacientes y no suelen funcionar muy bien en tumores con pocas mutaciones, si el tumor tiene muchas es más fácil que varias cosas hayan cambiado y por lo tanto tienes más dianas.
Comparadas con estirpaciones quirúrgicas, quimioterapias, radioterapias, etc, las inmunoterapias son relativamente poca invasivas ya que utilizan el propio sistema inmune del paciente. Esto no quiere decir que estén exentas de problemas, como por ejemplo el de la toxicidad que puede provocar una respuesta desmesurada al producto o la introducción de material extraña en el paciente (linfocitos modificados).
Creo que es una revisión de como se encuentra un campo de lucha contra el cáncer que es posiblemente el que mejores resultados dará en los próximos años, con el permiso de CRISPR que necesitará más tiempo para desarrollarse. Aborda directamente el problema de que cada tumor en cada paciente necesita una respuesta diferente y lo hace usando nuestro propio sistema inmune.
De todas formas el tumor sigue siendo una entidad cambiante y es relativamente sencillo que sobreviva a este tipo de terapias basadas en hechos muy puntuales como puede ser una simple mutación en el DNA y vuelva a aparecer pasado el tiempo corrigiendo dicha vulnerabilidad. Hay una gran cantidad de estudios en donde se ha observado esta respuesta.
Posiblemente la respuesta final no sea la de una terapia personalizada sino la de un cóctel de terapias personalizadas que le vayan cerrando al tumor todas las rutas de escape.
Leéroslo si os apetece porque he hecho un resumen exageradamente suave de un problema bastante complejo.
Tras el descanso navideño vuelvo a la carga con una nueva publicación. En un esfuerzo por intentar que no sea una cosa muy monotema hoy traigo una publicación que no es exactamente de cáncer. Se trata de un algoritmo desarrollado Google Brain Team de Google para identificar mutaciones en genomas. Como esto se está haciendo hoy en día en miles de genomas de cáncer, es una publicación que encaja perfectamente en la temática.
12/01/2018
DeepVariant: Highly Accurate Genomes With Deep Neural Networks
Otro link más detallado: https://www.biorxiv.org/content/early/2016/12/21/092890
Para los que no estén muy puestos en el tema, se trata del uso de las conocidas como Neural Networks para la identificación de mutaciones en el genoma. Hoy en día es una técnica que se usa no solo para este propósito, sino para infinidad de ellos. Como no es el objetivo concreto de este post el explicarlas, os dejo un video que da una idea general de como funcionan para otro caso diferente: proponer las sugerencias de videos en Youtube:
Ahora que ya sabemos un poco de que va esto de las redes neuronales y que parecen ser especialmente buenas realizando tareas de identificar cosas si disponemos de ejemplos suficientes para entrenarlas, ¿porque no las usamos para analizar nuestro genoma? Pues dicho y hecho, es lo que el grupo de trabajo de Google para el desarrollo de esta tecnología acaban de publicar.
Entonces, ¿Le han metido muchos ejemplos, han evaluado las salidas y han visto como de bien lo hacen? Pues no exactamente, el esquema de como trabaja el programa se puede ver en el diagrama siguiente:
La gracia de la solución que aportan es que el programa no evalúa exactamente secuencias de DNA, sino la imágenes alineadas de los miles de millones de fragmentos de DNA que las máquinas de secuenciación generan, lo que ellos llaman el Pileup, que vendría a ser el apilamiento de estos reads (fragmentos secuenciados de DNA). De hecho pileup format es desde hace muchos años un formato utilizado para representar estos alineamiento.
Las neural networks simulan en este caso el comportamiento exacto del investigador sentado frente a su ordenador, observando una región concreta del genoma y decidiendo si lo que ve frente a sus ojos se trata de una mutación o no. Imágenes como esta podemos generar millones para 1 solo paciente de cáncer, y esta evaluación visual por parte del investigador sólo se hace en unas pocas regiones en casos muy concretos: mirar una región conflictiva, evaluar errores, etc. Delegamos en otros algoritmos (Mutect, ASCAT, Pindel, Breakdancer, etc) el encontrar dichas mutaciones basándonos en otras propiedades más "matemáticas" de las mismas. Pero claro ¿que le supone a un ordenador evaluar unos cientos de millones de imágenes? Si sabe lo que busca y la red neuronal está ya construida, la verdad es que no más que un puñado de minutos.
Han evaluado la precisión con la que la red realiza esta tarea y en precisionFDA Truth Challenge han sido el método que mejor ha sabido capturar las mutaciones puntuales (SNV o SNP) y han ocupado un lugar destacado en las otras categorías al compararse con decenas de otras aplicaciones actuales destinadas exclusivamente a este cometido (para los curiosos son el la organización "Verily Life Sciences", ya que no encontrareis Google por ningún lado.
Como es natural en la visión empresarial de Google, invitan a todos los investigadores a usar su herramienta en su plataforma en la nube Google Cloud Platform (GCP).
Que alguien con tan pocos conocimientos de redes neuronales de su opinión sobre ellas, debería estar prohibido en este subforo, por lo que más que opiniones divagaré un poco y dejaré que si alguno le apetece me discuta o contradiga.
Más allá de lo sorprendente de la estrategia, evaluar imágenes en vez de ponerse a recorrer texto como un loco, hay que reconocer que los resultados son sorprendentes como ya nos tienen acostumbrados las redes neuronales. Con el suficiente número de ejemplos y sabiendo qué información necesitan para entrenarse correctamente, acaban haciéndose las amas de todo proceso de selección, y en cáncer tenemos ejemplos para dar y regalar.
Pero creo que su fuerza es a su vez su debilidad. Ya que las neural networks entrenar a base de entrada-salida evaluando como de bien lo realizan y ajustándose en función a ello, pero ¿realmente conocemos en este caso la salida? No estamos hablando de algo que podamos evaluar a ciencia cierta como es "si el usuario hace finalmente click en el video sugerido" o "si efectivamente en la imagen sale una jirafa". Aquí se trata de algo diferente, se trata de encontrar lo desconocido.
Sabemos que hay muchas mutaciones desconocidas, de hecho los algoritmos para detectar mutaciones han sufrido enormes mejoras encontrando nuevas mutaciones, no solo siendo más eficientes en encontrar las que ya conocíamos. Me refiero a mutaciones en regiones de baja complejidad, flanqueadas por secuencias repetitivas, multiplicidad de una misma región en centenares o miles de posiciones diferentes del genoma, etc, etc.
¿Realmente buscamos ser un poco más precisos en encontrar lo que ya encontramos? A fin de cuentas este método obtiene un 99.9587% donde otros ya existentes sacan un 99.9%. ¿O necesitamos ser capaces de sumergirnos en ese oscuro mundo de las que actualmente no somos capaces de identificar? Aquí no se pueden dar datos aproximados porque como no lo sabemos...
Tengo la impresión que en este caso concreto (identificar mutaciones), las neural networks pueden ofrecer una solución rápida, eficiente y precisa a las tareas que ya estamos realizando, algo terriblemente útil para realizar otras investigaciones posteriores. Pero siguen sin solucionar el problema de identificar aquello que todavía se nos resiste en cáncer.
Una semana más estamos en este hilo en el que solo yo escribo. Esta vez con un paper de escasas 2 semanas en donde se evalúa el impacto que tiene el alcohol como agente mutágeno de nuestro genoma y por lo tanto como inductor del cáncer.
19/01/2018
Alcohol and endogenous aldehydes damage chromosomes and mutate stem cells
La relación entre alcohol y diferentes tipo de tumores es desde hace bastante tiempo archiconocida, de igual forma que se sabe que el estrés que provoca en nuestro organismo así como sus derivados son altamente reactivos contra nuestro DNA. En nuestra defensa, poseemos una enzima llamada alcohol deshidrogenasa (ADH), que por cierto el paper no menciona 
, que transforme el alcohol en aldehídos y posteriormente la enzima aldehido deshidrogenasa (ALDH2) que nos libra finalmente de los problemas con el alcohol, al menos aquellos asociados al daño de nuestro DNA.
Las deficiencias en la ALDH2 son relativamente comunes, 540 milliones de personas de acuerdo con la publicación podrían presentar deficiencias a la hora de degradar los aldehidos producidos por el propio organismo y en mayor medida por la ingesta de alcohol.
En este paper usan diferentes modelos de ratón para examinar exactamente a qué tipo de modificaciones sometemos a nuestro DNA cuando ingerimos alcohol y como de eficaces somos defendiéndonos contra sus efectos.
La primera figura representa el esquema del proyecto y los resultados de suministrar alcohol a ratones sanos o con deficiencias en ALDH2 y FANCD2 gen que en vez de estar involucrado en la degradación de los aldehidos, se encarga de reparar el DNA e intentar restaurar su estado original una vez ha sido ya dañado. En concreto se evalúan las roturas y fusiones incorrectas de nuestro DNA cuando la célula intenta reparar los daños creados por el alcohol.
Como se puede comprobar, una persona con una deficiencia en la degradación del alcohol se enfrentaría a unos niveles de hasta 5 veces más lesiones en el DNA que otro resistente. La buena noticia es que ALDH2 parece hacer su trabajo de forma fantástica, eliminando prácticamente todo el daño que el alcohol pudiera provocar al menos a niveles de roturas del DNA.
Las relaciones ALDH2 y FANCD2 cobran más fuerza cuando nos centramos en otro tipo de mutaciones, las puntuales (también llamadas sustituciones). Aquí podemos observar como mientras un ratón sano acumularía del orden de 50 sustituciones, uno deficiente en ALDH2 sufriría el doble (100) y uno deficiente en ambos genes multiplicaría x3 este efecto dañino (150), se puede ver en el apartado "b" de la figura de más abajo. Pese a ello, no parece que la composición de las sustituciones cambie mucho, apartado "c", por lo que estaríamos hablando de que simplemente aumentaría su cantidad pero no su tipo.
Algo similar encontraríamos en las inserciones, y más agravado aún en las deleciones. En el caso de estos 2, además el aumento ocurriría provocado por aquellas de mayor tamaño, es decir se eliminarían regiones del genoma mayores o se añadirían secuencias incorrectas de mayor tamaño, teniendo un impacto negativo superior.
El paper analiza otras interacciones y deficiencias, indagando un poco más en el papel del alcohol como agente mutágeno para quien le interese este tema. Pero como lo que intentamos aquí es ofrecer un resumen algo más ligero, con estas pinceladas es más que suficiente.
El paper entra de lleno en la descripción de un proceso mutacional que tiene una relevancia importante en nuestra sociedad actual, en donde la ingesta de alcohol forma en mayor o menor medida parte de nuestra cultura. Pero sobre todo describe y limita el efecto que este provoca. En cáncer es bastante habitual las asociaciones por correlación-causalidad, si algo correlaciona es porque probablemente sea la causa. Pero esto no tiene porque ser necesariamente así, si encontramos mayores índices de cáncer en bebedores que en no bebedores ¿favorece el alcohol la aparición de cáncer? Pues bien, más allá de la correlación conocida, aquí vemos como exactamente modifica nuestro DNA y qué mecanismos tiene nuestro organismo para defenderse.
Los experimentos se han realizado usando ratones, lo que podría suscitar la duda de si un organismo humano se comportaría de forma similar, al fin y al cabo los humanos llevamos miles de años bebiendo alcohol y los ratones no. Pero la realidad es que si la correlación antes descrita ya indicaba una clara causa, y teniendo en cuenta que los genes tratadas son prácticamente idénticos en humanos y ratones, las conclusiones dejan poco lugar a las dudas.
Así que, beber con moderación.
Y por esto mi profesor de bioquímica decía “es muy sano beber una copita de vino al día, pero más sano es no tomarla”.
Esta vez no traigo bien bien lo que sería una publicación, sino más bien un debate abierto en la comunidad que estudia el cáncer sobre como se desarrollan los tumores y más concretamente que tipo de selección determina su crecimiento y evolución.
26/01/2018
Todo nace a raíz de esta discusión iniciada:
Is the evolution in tumors Darwinian or non-Darwinian?
Y su consiguiente réplica:
Reply: Is the evolution of tumors Darwinian or non-Darwinian?
Antes de nada animaros a que os leáis le discusión, y deciros que a partir de aquí lo que haré será básicamente un pequeño spoiler de la misma.
¿Como se inicia esta discusión? Bien, desde hace ya varios años los tumores no se consideran entes estáticos de células idénticas que van creciendo de forma desmesurada en nuestro organismo. Actualmente se consideran como entidades más complejos, compuestos por células similares pero que guardan bastante variabilidad dentro de sí. Dicha variabilidad, al igual que sucede en cualquier otro organismo vivo, le permite ir evolucionando. El resultado de dicha evolución son tumores más agresivos, metástasis a otros tejidos y resistencia a los tratamientos a los que sometemos a los pacientes para erradicar el tumor.
La duda que se nos plantea es si esa complejidad que observamos, y especialmente la clase de células dominantes dentro de un tumor, han sido seleccionadas por la clásica selección natural (la darwiniana) o por el contrario son en su mayoría consecuencia de procesos meramente aleatorios, lo que denominamos evolución neutral (no-darwiniana).
Y el debate es tan acalorada entre los que defienden una u otra postura que es habitual verlos en los congresos tirándose los trastos, escribir publicaciones defendiendo sus resultados y soltándole puyas al rival e incluso enviando cartas a las revistas argumentando que lo que ha publicado el bando rival es básicamente basura y nace fruto de un error de concepto. Puede parecer una exageración, pero he visto al menos 1 ejemplo de cada una de las 3 cosas anteriormente mencionadas.
Esta sección en vez de llamarla "Resultados" he decidido cambiarle el nombre ya que resultados en sí definitivos no hay ninguno, de ahí que el debate siga abierto, y los resultados están bastante abiertos a interpretación.
Como podéis ver en la discusión, incluso los neutralistas reconocen que inicialmente las células tumorales han sido fuertemente seleccionadas, pero una vez que esto sucede, su modelo de crecimiento puede ser explicado por evolución negativa en un amplio número de casos (citan el 35% de los tumores analizados).
El primer punto y posiblemente más conflictivo es el ya clásico problema inferir erróneamente: "si yo construyo un modelo neutro que genere la misma distribución de células que la observada, entonces es que ha evolucionado de forma neutra". Todo y que en biología es una norma que se usa con relativa frecuencia, no deja de ser altamente controvertida. Se ha demostrado como simulaciones de crecimiento de tumores bajo selección positiva han llegado a distribuciones similares ha los predichos por los neutralistas. Por lo tanto, no necesariamente que algo se ajuste a un modelo implica que dicha cosa esté sometida a dicho modelo.
El segundo punto controvertido es que las células en los tumores no tienen libertad de movimiento, por lo tanto los procesos se sustitución celular debidos a selección positivo ocurren de forma local y no pueden, o les cuenta mucho, alcanzar grandes distancias. Es decir, si diseccionamos una parte del tumor, veremos como es pequeña parte puede estar evolucionando con poca fuerza de selección, pero porque posiblemente a macroescala ya se le ha aplicado selección positiva. Visualizamos un lapso de tiempo evolutivo demasiado pequeño como para poder ver los efectos de la selección.
Primeramente decir que mi opinión en este asunto se encuenta altamente viciada, pertenezco al bando de los darwinianos y trabajo específicamente en el estudio de la evolución de tumores. Estaría encantado de discutirlo con un neutralista pero por lo pronto daré mi sesgada opinión.
Incluso los neutralistas admiten la presencia de selección positiva en los momentos más clave de la evolución de los tumores: creación, metástasis y resistencia a los tratamientos médicos. Entonces, ¿que peso real tiene no tratarlo todo como un global? Si particionamos la vida del tumor en suficientes pedazos, no me cabe duda que al final mucho de ellos estarán sometidos a neutralismo. Al fin y al cabo las mutaciones se acumulan aleatoriamente, el tumor usa una parte ínfima de su genoma y la mitosis es aleatoria.
Pero cuando analizamos los tumores en su global, en la inmensa mayoría de ellos encontramos mutaciones seleccionadas positivamente y mutaciones afectando a los conocidos "drivers" de cáncer. Y eso que sabemos que actualmente nuestro conocimiento de ellos aún se encuentra limitado.
Ambos factores operan en un tumor, selección y neutralismo, pero se me entoja complicado que tumores que en pocos años han podido fijar jasta 5 mutaciones positivamente seleccionadas, hayan podido estar durante mucho tiempo bajo evolución neutra.
#28 A raíz de un artículo que citaba multitud de publicaciones, podrías darnos tu opinión , de la comunidad científica o si quieres poner publicaciones entre la relación de la restricción de carbohidratos en el tratamiento o prevención del cáncer . En el artículo ponía muchas publicaciones que hablan que las dietas cetogenicas o bajas en carbohidratos afectan a la proliferación de las células malignas, ya que los cuerpos cetónicos no es el alimento ideal como la glucosa etc...
#29 Intentaré indagar un poco esta semana para ver las últimas publicaciones que hayan podido salir.
Así de entrada mi opinión es bastante escéptica en cuanto a las propiedades terapéuticas y bastante abierto de mente en cuanto a las propiedades preventivas.
La aparición de cáncer correlaciona muchísimo con el número de mutaciones que acumulas, al final es como jugar a la lotería, tienes más posibilidades si juegas con 20 boletos que si solo compras 1. Esto se ha visto en infinidad de circunstancias: fumadores, exposición prolongada al sol, químicos, radiación, defectos en los genes que reparan nuestro DNA etc, etc, etc. De hecho el segundo factor de hábitos que más afecta a la aparición de cáncer es la dieta, solo por detrás del tabaco (lo digo así de memoria). Por lo tanto una dieta particular puede disminuir las posibilidades de desarrollar cáncer.
¿Puede curarlo una vez este se da? Aquí es donde soy bastante escéptico, es cierto que las células tumorales pueden tener unos requisitos diferentes a las sanas, entre ellas sus altas tasas de proliferación necesitan muchos más nutrientes. Pero también es cierto que no dejan de ser células que puede autoregularse y ajustar su desarrollo a las condiciones ambientales. Quizás una dieta concreta pueda relentizar el crecimiento del tumor pero su avance, más lento o más rápido, debería ser bastante inexorable.
Esta semana intento salir un poco de mi zona de confort y tratar el tema.
