Tumore virtuale predice la risposta all’immunoterapia nel cancro al fegato

Un “tumore virtuale” potrebbe aiutare a prevedere quali pazienti con carcinoma epatocellulare risponderanno meglio alla combinazione tra immunoterapia e terapia mirata. Il modello è stato sviluppato da ricercatori del Johns Hopkins Kimmel Cancer Center e della Johns Hopkins University School of Medicine ed è descritto in uno studio pubblicato online il 14 luglio su Proceedings of the National Academy of Sciences, con il sostegno parziale dei National Institutes of Health. La piattaforma simula la risposta del tumore a nivolumab, un farmaco immunoterapico, e cabozantinib, una terapia mirata che interferisce con i segnali di crescita tumorale. Il sistema combina farmacologia quantitativa dei sistemi, modelli matematici dell’intero organismo e simulazioni basate su singole cellule.

I ricercatori hanno inoltre integrato dati provenienti da studi clinici reali e tecniche di apprendimento automatico per generare pazienti virtuali confrontabili con quelli osservati nella pratica sperimentale. L’obiettivo è individuare più rapidamente la strategia terapeutica potenzialmente migliore. Lo strumento, tuttavia, richiede ulteriori validazioni prima di poter essere utilizzato nelle decisioni cliniche.

Come viene costruito e calibrato il modello

La piattaforma nasce dall’integrazione di due approcci computazionali complementari. Il primo è la farmacologia quantitativa dei sistemi, o QSP, che usa equazioni matematiche per descrivere la progressione della malattia, la distribuzione dei farmaci e la risposta complessiva dell’organismo. Il secondo è un modello basato su agenti, capace di seguire il comportamento delle singole cellule all’interno del tumore. In questo modo la simulazione non si limita a stimare quante cellule siano presenti, ma ricostruisce anche la loro posizione, le interazioni reciproche e l’evoluzione del microambiente tumorale. Per adattare il sistema al carcinoma epatocellulare, i ricercatori hanno introdotto anche i fibroblasti, cellule già associate alla resistenza all’immunoterapia, e hanno messo a punto un processo di calibrazione basato sull’apprendimento automatico. Il modello viene così regolato sui dati di pazienti reali, fino a generare una popolazione virtuale con caratteristiche e risposte simili a quelle osservate negli studi clinici. Secondo gli autori, questo approccio permette di testare differenti dosi, combinazioni e sequenze terapeutiche senza esporre i pazienti ad alcun rischio. Consente inoltre di osservare come le cellule tumorali e quelle immunitarie reagiscano ai cambiamenti dell’architettura del tessuto.

Un ulteriore vantaggio è la scalabilità: partendo dai dati di un piccolo studio di fase I, composto in questo caso da 15 pazienti, il sistema può produrre una popolazione virtuale paragonabile a quella di uno studio di fase III. Ciò consente di stimare rapidamente come una terapia potrebbe comportarsi su numeri molto più ampi. Nelle simulazioni con cabozantinib e nivolumab, somministrati da soli o insieme, i tassi di risposta previsti sono risultati molto vicini a quelli registrati negli studi clinici reali. Anche l’architettura dei tumori generata dal modello è stata confrontata con campioni di tessuto prelevati dopo il trattamento, mostrando una buona corrispondenza tra simulazione e realtà biologica.

I fibroblasti possono bloccare l’attacco immunitario

L’analisi ha indicato nei fibroblasti uno dei principali ostacoli alla risposta terapeutica. Queste cellule, normalmente coinvolte nel sostegno e nella riparazione dei tessuti, possono rimodellare il microambiente del tumore fino a renderlo immunosoppressivo. Nei pazienti virtuali che non rispondevano al trattamento, i fibroblasti tendevano a disporsi intorno alla massa neoplastica formando una barriera fisica.

Le cellule immunitarie, pur trovandosi nelle vicinanze, non riuscivano così a penetrare nel tumore e ad attaccarlo in modo efficace. Il risultato suggerisce che la sola presenza di cellule immunitarie non sia sufficiente: conta anche il modo in cui sono organizzati i tessuti e la possibilità concreta di raggiungere le cellule maligne. Questo aspetto potrebbe avere importanti ricadute cliniche, perché le caratteristiche architettoniche individuate dal modello sembrano osservabili già prima dell’inizio della terapia. In futuro, immagini e campioni tumorali potrebbero quindi essere utilizzati per riconoscere i pazienti con una barriera fibroblastica più marcata e prevedere una minore probabilità di risposta.

Questi segnali potrebbero diventare biomarcatori utili per orientare le scelte prima della somministrazione dei farmaci. Il modello potrebbe inoltre aiutare a stabilire quali combinazioni farmacologiche siano più adatte a modificare il microambiente, favorire l’ingresso delle cellule immunitarie o evitare trattamenti destinati a risultare poco efficaci. Potrebbe anche suggerire strategie capaci di colpire direttamente i fibroblasti o di modificarne la disposizione.

Iscriviti alla Newsletter di Sanità Informazione per rimanere sempre aggiornato