Personalización de la atención del cáncer con modelos tumorales mejorados
Esquema que ilustra múltiples plataformas disponibles para modelos de cáncer derivados de pacientes. Crédito: Bryan Welm
El cáncer es un gran desafío mundial y se prevé que su impacto aumente debido al envejecimiento y al crecimiento de la población. Los investigadores reconocen que los nuevos enfoques para diagnosticar y tratar los cánceres mortales, incluida la identificación de nuevos medicamentos para tratar el cáncer, serán esenciales para frenar el creciente impacto de la enfermedad.
Si bien décadas de inversión en investigación han dado como resultado mejoras sustanciales en la supervivencia del cáncer, sigue siendo un desafío clave identificar nuevos medicamentos que mejoren los resultados para los pacientes con cáncer, particularmente para los cánceres cuando los tumores se han diseminado por todo el cuerpo.
En APL Bioengineering, de AIP Publishing, los investigadores sugieren que un obstáculo importante para identificar nuevos medicamentos es la escasez de modelos de organismos que imiten los cánceres humanos en un entorno de laboratorio para la investigación del cáncer que representen con precisión los tumores de los pacientes. Brindan una perspectiva sobre estrategias para desarrollar modelos para informar el tratamiento del cáncer usando modelos de pacientes individuales y hacia dónde debe ir el campo en términos de investigación en sistemas animales y en sistemas de cultivo.
«Además de tener mejores modelos para la investigación del cáncer, estamos tratando de desarrollar modelos derivados de pacientes hasta el punto en que podamos tener pruebas de drogas rápidas y confiables en muestras de pacientes para ayudar a personalizar la atención del cáncer», dijo la autora Alana Welm. «Este es el concepto de oncología de precisión funcional».
En la oncología de precisión funcional, las muestras de tumores de pacientes individuales se analizan para detectar la susceptibilidad a varios fármacos en el contexto de un xenoinjerto derivado del paciente o un sistema de cultivo para guiar la terapia del paciente durante el curso de su enfermedad.
Los investigadores sugieren que un enfoque aún más poderoso para acelerar el ritmo de la investigación del cáncer sería combinar el desarrollo de modelos derivados del paciente con la plétora de ensayos clínicos que se llevan a cabo cada año. día.
Si los datos clínicos y los modelos se recopilaran y compartieran junto con la información sobre la respuesta a los medicamentos, el aprendizaje automático podría facilitar el análisis de estos grandes datos para descubrir patrones complejos de respuesta o resistencia a los medicamentos entre los individuos, que luego podrían ser más probado en los modelos derivados de pacientes.
Los investigadores prevén que los tumores de los pacientes pueden perfilarse bioinformáticamente para identificar un conjunto complejo de características que pueden usarse para predecir la respuesta a varias terapias e informado por datos de respuesta funcional a fármacos recopilados de estudios previos. Los investigadores creen que esto facilitaría la selección de medicamentos más efectivos en una etapa más temprana del tratamiento, al tiempo que evitaría la administración de medicamentos tóxicos que no ofrecen ningún beneficio.
Este tipo de datos podría incluso integrarse con variantes de secuencias de ADN de la línea germinal que predicen fármacos aberrantes. metabolismo y toxicidad para un enfoque aún más personalizado para reducir la mortalidad por cáncer y al mismo tiempo reducir la toxicidad tanto como sea posible.
Explore más
Combinando lo mejor de ambos mundos para modelar el cáncer Más información: Bryan E. Welm et al. Hacia modelos mejorados de cáncer humano, APL Bioingeniería (2021). DOI: 10.1063/5.0030534 Proporcionado por el Instituto Americano de Física Cita: Personalización de la atención del cáncer con modelos mejorados de tumores (22 de enero de 2021) recuperado el 30 de agosto de 2022 de https://medicalxpress.com/news/2021- 01-personalizing-cancer-tumor.html Este documento está sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigación privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona únicamente con fines informativos.