Il Machine Learning Individua un Sottotipo Metabolico di Cancro al Seno Legato alla Prognosi

L'eterogeneità notoria del cancro al seno rende difficili la prognosi e la selezione del trattamento, in particolare nei sottotipi aggressivi come il carcinoma mammario triplo negativo. La riprogrammazione metabolica—incluso l'utilizzo dei corpi chetonici come fonti energetiche alternative—è sempre più riconosciuta come un motore dell'eterogeneità tumorale. La beta-idrossibutirrilazione della lisina (Kbhb), una modificazione post-traduzionale delle proteine catalizzata dal beta-idrossibutirrato, può alterare la regolazione genica e le vie di soppressione tumorale, ma il suo ruolo specifico nel determinare distinte sottopopolazioni di cancro al seno non era stato sistematicamente caratterizzato.

Questo studio ha integrato dati di espressione dell'RNA da TCGA (n=1.082) e sette coorti di validazione GEO/METABRIC/ICGC per un totale di migliaia di pazienti, insieme al sequenziamento dell'RNA a singola cellula di 26 campioni di tumore mammario (GSE176078) e dati pubblici di trascrittomica spaziale. Tre geni regolatori core della Kbhb—EP300, HDAC1 e HDAC2—sono stati utilizzati come ancore per identificare geni metabolici correlati attraverso i set genici KEGG/MsigDB. Il punteggio tramite single-sample GSEA (ssGSEA) ha suddiviso i pazienti in gruppi ad alta e bassa attività metabolica, e l'analisi differenziale ha individuato un sottogruppo di cellule neoplastiche SCGB2A2-positive come la sottopopolazione più significativamente responsiva alla Kbhb.

Esperimenti funzionali su cellule MDA-MB-231 hanno validato la rilevanza biologica di SCGB2A2: la sovraespressione ha ridotto l'invasione nei saggi Transwell, soppresso i marcatori delle cellule staminali (OCT4, SOX2, c-Myc, KLF4) e diminuito le frazioni di cellule staminali tumorali CD44-alto/CD24-basso mediante citometria a flusso. L'analisi metabolica Seahorse e il Western blotting hanno inoltre collegato SCGB2A2 ai regolatori dell'ossidazione degli acidi grassi (CPT1A, ACOX1) e ai geni metabolici a valle, confermando una connessione meccanicistica con la riprogrammazione mediata dalla Kbhb. Il knockdown di LDHB, un altro gene modello, ha prodotto effetti complementari sul metabolismo glicolitico.

Per la modellazione prognostica, la regressione di Cox univariata attraverso TCGA e tre coorti GEO ha identificato sei geni con significatività prognostica consistente (p<0,05 in almeno tre dataset). Una pipeline di machine learning che testava 101 combinazioni di algoritmi—tra cui Random Survival Forest, Elastic Net, LASSO, CoxBoost, GBM e survival-SVM—ha selezionato il modello con il C-index medio più elevato tramite validazione incrociata leave-one-out. Il Prognostic Index Score (PIS) risultante ha stratificato i pazienti in gruppi ad alto e basso rischio con sopravvivenza globale significativamente diversa in tutte le coorti di validazione, e le analisi ROC dipendenti dal tempo hanno confermato robusta sensibilità e specificità. I pazienti con PIS elevato hanno mostrato un maggiore carico mutazionale tumorale, una ridotta infiltrazione di cellule immunitarie e una risposta prevista diminuita agli inibitori dei checkpoint immunitari.

Lo studio fa avanzare l'oncologia di precisione collegando uno specifico asse epigenetico-metabolico (Kbhb) a sottopopolazioni tumorali perseguibili e a uno strumento prognostico clinicamente validato. I limiti includono la dipendenza da dataset pubblici retrospettivi, l'utilizzo di una singola linea cellulare TNBC per la validazione funzionale e l'assenza di manipolazione diretta della Kbhb in vivo o di misurazioni dei corpi chetonici a livello dei pazienti.