Onconews - Pesquisa brasileira aposta em aprendizado de máquina e biomarcadores para prever a recorrência do CaP

Prever resultados clínicos ainda é um desafio no tratamento do câncer de próstata (CaP) e a recorrência da doença afeta entre 20% e 40% dos pacientes. “À medida que os estudos continuam a explorar a importância de biomarcadores, integrar a expressão genética com dados clínicos através de aprendizado de máquina pode facilitar previsões mais precoces e precisas de recorrência da doença”, destaca estudo brasileiro de Antunes et al. que enfatiza a importância de incorporar NETO2, HPN, AR e KLK3 em um modelo para prognóstico do câncer de próstata.

Embora os níveis séricos de PSA, o escore de Gleason e o estadiamento do tumor sejam sensíveis para detectar recorrência, eles apresentam baixa especificidade. Neste estudo, os pesquisadores compararam o desempenho de três modelos de aprendizado de máquina, Naive Bayes (NB), Support Vector Machine (SVM) e Artificial Neural Network (ANN) para classificar eventos de recorrência de CaP usando um conjunto de dados de 489 pacientes do The Cancer Genome Atlas (TCGA). Além de comparar o desempenho dos modelos, Antunes et al. analisaram se incorporar a expressão de genes específicos no conjunto de preditores aumentaria a predição de recorrência de CaP, sugerindo então esses genes como potenciais biomarcadores do prognóstico do paciente.

Os resultados foram relatados na Frontiers in Oncology e revelam que os modelos mostraram precisão acima de 60% e sensibilidade acima de 65% em todas as combinações. Os autores descrevem que os modelos ANN demonstraram desempenho consistente em diferentes conjuntos de preditores, enquanto os modelos SVM mostraram resultados fortes em precisão e especificidade, principalmente após a inclusão de genes selecionados (NETO2, AR, HPN e KLK3), sem comprometer a sensibilidade. No entanto, os desvios-padrão observados em algumas métricas indicam variabilidade entre as simulações. “Esses achados sugerem que os genes são biomarcadores potenciais para prever a recorrência de CaP no conjunto de dados, representando uma abordagem promissora para o prognóstico precoce, mesmo antes do tratamento principal”, analisam os autores.

Além de Maria Eliza Antunes, do Instituto de Biociências de Botucatu (IBB, UNESP), que assina como primeira autora, o trabalho tem a participação de Thaise Gonçalves Araújo (Instituto de Biotecnologia, Universidade Federal de Uberlândia), Tatiana Martins Till (Laboratório de Fisiopatologia Clínica e Experimental do Instituto Oswaldo Cruz - IOC, RJ), Eliana Pantaleão (Escola de Computação da Universidade Federal de Uberlândia), Paulo F. A. Mancera (Instituto de Biociências de Botucatu – IBB, UNESP) e Marta Helena de Oliveira (Instituto de Matemática e Estatística da Universidade Federal de Uberlândia).