El aprendizaje automático identifica un subgrupo metabólico de cáncer de mama vinculado al pronóstico

La notoria heterogeneidad del cáncer de mama dificulta el pronóstico y la selección del tratamiento, especialmente en subtipos agresivos como el cáncer de mama triple negativo. La reprogramación metabólica —incluido el uso de cuerpos cetónicos como fuentes alternativas de energía— es reconocida cada vez más como un factor impulsor de la heterogeneidad tumoral. La beta-hidroxibutirilación de lisina (Kbhb), una modificación proteica postraduccional catalizada por el beta-hidroxibutirato, puede alterar la regulación génica y las vías supresoras de tumores, pero su papel específico en la configuración de subpoblaciones distintas de cáncer de mama no había sido caracterizado sistemáticamente.

Este estudio integró datos de expresión de RNA de TCGA (n=1.082) y siete cohortes de validación de GEO/METABRIC/ICGC con miles de pacientes en total, junto con secuenciación de RNA de célula única de 26 muestras de tumores de mama (GSE176078) y datos públicos de transcriptómica espacial. Tres genes reguladores centrales de Kbhb —EP300, HDAC1 y HDAC2— se utilizaron como anclas para identificar genes metabólicos correlacionados mediante conjuntos de genes KEGG/MsigDB. La puntuación de ssGSEA (ssGSEA) dividió a los pacientes en grupos de actividad metabólica alta y baja, y el análisis diferencial identificó una subpoblación de células neoplásicas positivas para SCGB2A2 como la subpoblación con mayor respuesta a Kbhb.

Los experimentos funcionales en células MDA-MB-231 validaron la relevancia biológica de SCGB2A2: la sobreexpresión redujo la invasión en ensayos Transwell, suprimió marcadores de células madre (OCT4, SOX2, c-Myc, KLF4) y disminuyó las fracciones de células madre cancerosas CD44-alta/CD24-baja medidas por citometría de flujo. El análisis metabólico con Seahorse y la transferencia Western vincularon adicionalmente SCGB2A2 con reguladores de la oxidación de ácidos grasos (CPT1A, ACOX1) y genes metabólicos aguas abajo, confirmando una conexión mecanicista con la reprogramación mediada por Kbhb. El silenciamiento de LDHB, otro gen modelo, tuvo efectos complementarios sobre el metabolismo glucolítico.

Para el modelado pronóstico, la regresión de Cox univariada en TCGA y tres cohortes de GEO identificó seis genes con significancia pronóstica consistente (p<0,05 en al menos tres conjuntos de datos). Se empleó una cadena de aprendizaje automático que evaluó 101 combinaciones de algoritmos —entre ellos Random Survival Forest, Elastic Net, LASSO, CoxBoost, GBM y survival-SVM— seleccionando el modelo con mayor C-index promedio mediante validación cruzada leave-one-out. El Índice de Puntuación Pronóstica (PIS) resultante estratificó a los pacientes en grupos de alto y bajo riesgo con diferencias significativas en la supervivencia global en todas las cohortes de validación, y los análisis ROC dependientes del tiempo confirmaron una sensibilidad y especificidad robustas. Los pacientes con PIS alto mostraron mayor carga mutacional tumoral, menor infiltración de células inmunitarias y una respuesta predicha reducida a los inhibidores de puntos de control inmunitario.

El estudio avanza en la oncología de precisión al vincular un eje epigenético-metabólico específico (Kbhb) con subpoblaciones tumorales accionables y una herramienta pronóstica con validación clínica. Las limitaciones incluyen la dependencia de conjuntos de datos públicos retrospectivos, el uso de una única línea celular de cáncer de mama triple negativo para la validación funcional, y la ausencia de manipulación directa de Kbhb in vivo o de mediciones de cuerpos cetónicos a nivel de paciente.