Construcción y Validación de Modelos Predictivos Multi-Ómicos para Cáncer Colorrectal Utilizando Enfoques de Aprendizaje Automático.

Según la base de datos GLOBOCAN de la Organización Mundial de la Salud (OMS), el cáncer colorrectal (CCR) es el tercer cáncer más común en el mundo. El cáncer colorrectal (CCR) es la segunda causa principal de muerte relacionada con el cáncer en todo el mundo. Los datos de 2023 muestran que hay aproximadamente 1,93 millones de nuevos casos y 935.000 muertes en todo el mundo cada año.^[1],^[2] La incidencia y la mortalidad por cáncer colorrectal están aumentando cada año, y se espera que haya 3,2 millones de nuevos casos y 1,6 millones de muertes para 2040.^[3]

La carga mutacional tumoral (TMB) se refiere al número de mutaciones somáticas que se producen por cada millón de pares de bases en el genoma de las células tumorales.^[4] La TMB es un biomarcador importante para el CCR. Las células tumorales de pacientes con cáncer colorrectal pueden tener un gran número de mutaciones genéticas durante la proliferación y el desarrollo, y el grado de acumulación de estas mutaciones es la manifestación de la TMB. Una TMB alta indica que el genoma de las células tumorales es inestable y produce más proteínas anormales que son fácilmente reconocidas por el sistema inmunitario.^[5] En pacientes con CCR, la detección de la TMB puede ayudar a predecir el efecto de la inmunoterapia. Los pacientes con TMB alta tienden a responder mejor a los agentes inmunoterapéuticos, como los inhibidores de los puntos de control inmunitario, porque sus células tumorales pueden liberar más neoantígenos y activar el sistema inmunitario para atacar las células tumorales. Por lo tanto, la TMB tiene una importancia significativa como guía en la medicina de precisión para el cáncer colorrectal, ayuda a desarrollar opciones de tratamiento más adecuadas para los pacientes y mejora la eficacia y la pertinencia del tratamiento.^[6]

La inestabilidad de microsatélites (MSI) es una característica molecular clave en el cáncer colorrectal, que refleja la estabilidad de las secuencias de microsatélites (fragmentos de ADN compuestos por unidades de nucleótidos cortas y repetitivas) en las células tumorales.^[7] En las células normales, las secuencias de microsatélites pueden permanecer relativamente estables durante la replicación del ADN. Sin embargo, en algunos pacientes con cáncer colorrectal, las secuencias de microsatélites son propensas a errores durante la replicación debido a defectos o pérdida de función del gen de reparación de errores de emparejamiento (MMR), lo que resulta en cambios en la longitud de la secuencia de microsatélites, lo que se caracteriza por la inestabilidad de microsatélites (MSI). El estado de estabilidad de los microsatélites es importante para el diagnóstico, el pronóstico y el tratamiento del cáncer colorrectal.^[8] El cáncer colorrectal con MSI suele tener características clínicas únicas, como una edad de inicio más temprana y tumores que se localizan principalmente en el colon derecho. El estado de MSI es un biomarcador importante para predecir la eficacia de la inmunoterapia, y los pacientes con cáncer colorrectal con inestabilidad de microsatélites (MSI) tienden a responder mejor a la terapia con inhibidores de los puntos de control inmunitario.^[9] Por lo tanto, la detección del estado de estabilidad de los microsatélites en pacientes con CCR ayuda a estratificar con precisión a los pacientes y proporciona una base importante para el desarrollo de planes de tratamiento individualizados.

El perfilado molecular se ha convertido en algo esencial para optimizar las estrategias terapéuticas en el cáncer colorrectal, particularmente a medida que se reconocen cada vez más alteraciones genómicas raras pero tratables. Entre ellas, las fusiones del gen NTRK, aunque ocurren en menos del 1% de los casos de CCR, representan un impulsor oncogénico altamente susceptible a fármacos. Su presencia predice una notable sensibilidad a los inhibidores de TRK, como larotrectinib y entrectinib, que han recibido la aprobación para su uso en tumores independientemente de su tipo y pueden inducir respuestas duraderas en diversos tipos de cáncer.^[10] En contraste, las mutaciones de PIK3CA se observan con mayor frecuencia y contribuyen a la desregulación de la vía de señalización PI3K/AKT, un mediador clave del crecimiento tumoral y la resistencia terapéutica.^[11] Si bien la inhibición directa de PI3K ha demostrado una eficacia limitada en el CCR, las mutaciones de PIK3CA pueden influir en la respuesta a las terapias establecidas, particularmente atenuando el beneficio de los anticuerpos monoclonales anti-EGFR en tumores con RAS/BRAF de tipo salvaje.^[12] En consecuencia, la evaluación del estado de fusión de NTRK y la mutación de PIK3CA proporciona información complementaria que puede refinar la selección del tratamiento, guiar la inclusión en ensayos clínicos y respaldar los enfoques de oncología de precisión. Comprender las distintas implicaciones terapéuticas de estas alteraciones es, por lo tanto, fundamental para avanzar en el manejo individualizado del CCR.

Los estudios multiómicos recientes han combinado la genómica, la transcriptómica, la proteómica y la metilómica para descifrar la biología del CCR. Los modelos de supervivencia basados en autoencoders integran las características transcriptómicas y metilómicas para estratificar el pronóstico.^[13],^[14] Los marcos centrados en el microambiente inmunitario fusionan las densidades de linfocitos infiltrantes tumorales (TIL), la expresión de citocinas y la secuenciación de ARN de una sola célula para predecir la respuesta a los ICI.^[15],^[16] Sin embargo, estos enfoques requieren tejido recién congelado, experiencia en bioinformática y computación de alto rendimiento, lo que limita su aplicabilidad global. En particular, ningún estudio previo ha validado prospectivamente un modelo preoperatorio basado únicamente en la patología que prediga simultáneamente el estado de TMB, MSI, NTRK y la mutación de PIK3CA utilizando el aprendizaje automático. La filogenómica, que se desarrolló originalmente para la evolución viral, se ha adaptado al cáncer para rastrear la divergencia subclonal y las firmas mutacionales.^[17],^[18]

La detección de TMB y MSI generalmente se basa en tecnologías como la secuenciación de alto rendimiento (NGS) o la PCR, que son costosas, requieren mucho tiempo y requieren equipos y técnicos especializados. La construcción de modelos predictivos basados en características clínicas y patológicas permite la identificación rápida de pacientes de alto riesgo en la etapa inicial de detección y evita las pruebas moleculares costosas para todos los pacientes. El objetivo de este estudio fue construir un modelo nomograma para predecir la supervivencia de los pacientes con CCR utilizando las características clínicas y patológicas de los pacientes con CCR, lo que puede ayudar a los clínicos a identificar a los pacientes de alto riesgo con anticipación para desarrollar un plan de tratamiento más razonable y realizar un seguimiento y una supervisión más estrechos durante el tratamiento para mejorar la tasa de supervivencia y la calidad de vida de los pacientes. Este estudio introduce un nuevo marco predictivo multiómico que integra variables clínicas, patológicas y moleculares para estratificar preoperatoriamente a los pacientes con CCR según el estado de TMB, MSI, la fusión de NTRK y la mutación de PIK3CA.

Materiales y Métodos

Sujetos de estudio

Este estudio retrospectivo tuvo como objetivo crear nomogramas para predecir las variantes genéticas para el diagnóstico del cáncer colorrectal y la supervivencia del paciente. Los pacientes en este estudio fueron reclutados del Hospital del Pueblo de Yuebei de la provincia de Guangdong, China. Se seleccionaron como sujetos de estudio los pacientes hospitalizados que acudieron a nuestro hospital para la resección radical del cáncer colorrectal entre agosto de 2022 y noviembre de 2024. Los criterios de inclusión fueron los siguientes: (1) el CCR y los pólipos colorrectales fueron diagnosticados por patología en nuestro hospital, y todas las muestras de resección se procesaron de acuerdo con la 5ª edición de 2022 de la Clasificación de Tumores del Sistema Digestivo de la OMS^[19] y (2) los datos clínicos fueron completos y cumplieron con las especificaciones. Los criterios de exclusión fueron los siguientes: (1) pacientes con un segundo tumor primario, (2) pacientes con trastornos mentales y de conciencia que no podían cooperar con el tratamiento y (3) pacientes con datos clínicos incompletos o irregulares. Finalmente, se seleccionaron 120 puntos de datos válidos desde agosto de 2022 hasta noviembre de 2024. La información de los pacientes con CCR de la base de datos TCGA se utilizó como conjunto de entrenamiento, y la información de 120 pacientes (todos los pacientes elegibles) de nuestro hospital se utilizó como conjunto de validación. Este estudio fue aprobado por el Comité de Ética del Hospital del Pueblo de Yuebei de la provincia de Guangdong (Número de aprobación: YBSKY-2025-100-001).

Construcción del modelo

Los datos recopilados se analizaron para determinar su normalidad mediante la prueba de Shapiro-Wilk implementada en SciPy (scipy.stats.shapiro) utilizando Python para las variables continuas. Los datos de este estudio se obtuvieron de la base de datos TCGA y de 120 pacientes con CRC del Hospital Yuebei. Las variables recopiladas incluyeron datos demográficos (edad, sexo), clínicos (sitio de la lesión, tipo de cáncer), patológicos (estadio patológico AJCC, estadio T, estadio N, estadio M), moleculares (TMB, MSI y mutación NTRK/PIK3CA) y datos de supervivencia (tiempo y estado de supervivencia general). Las variables continuas se analizaron utilizando la prueba de normalidad de Python y las variables categóricas se codificaron utilizando solo el método de "calor". Las tareas de predicción incluyeron la predicción del nivel de TMB con el estado de MSI y las características clinicopatológicas como variables independientes; la predicción del estado de MSI con los indicadores de TMB y las características clínicas; la predicción de las mutaciones NTRK/PIK3CA con TMB, MSI y las características clínicas; y la predicción de la supervivencia con las características moleculares y clínicas. Se realizaron pruebas de multicolinealidad en los datos recopilados, y los resultados mostraron una correlación entre las variables; por lo tanto, se utilizó el método de validación cruzada Lasso para la selección, y las variables seleccionadas se incluyeron en el análisis de regresión logística multivariante. Se ajustaron modelos de regresión logística multivariante con la clase de regresión logística de scikit-learn (v 1.3.0) utilizando la penalización L2 (ridge) predeterminada, sin ponderación de clases y una tolerancia de 1 × 10−4. El coeficiente de regularización óptimo λ se determinó utilizando la validación cruzada de 10 pliegues (10-fold CV). Se implementó específicamente utilizando LassoCV (cv = 10, randomstate = 0) en Python scikit-learn. LASSO se ejecutó después de repetir el muestreo bootstrap 100 veces. Si una variable tenía un coeficiente distinto de cero en ≥ 80% de las iteraciones, finalmente se incluyó en el modelo para reducir el sesgo de selección de variables causado por fluctuaciones aleatorias. Justificación de la regularización LASSO: la matriz multiómica bruta contenía 142 predictores candidatos, mientras que la cohorte de validación externa incluía solo 120 pacientes, lo que daba como resultado una relación de eventos por variable (EPV) muy por debajo del umbral convencional de 10. Este bajo EPV planteó un alto riesgo de sobreajuste y estimaciones inestables. LASSO reduce simultáneamente los coeficientes y fuerza a que los menores sean exactamente cero, produciendo una firma escasa e interpretable sin depender de un valor p arbitrario. Se utilizó la validación cruzada de 10 pliegues con 100 iteraciones de bootstrap para seleccionar el λ óptimo; una variable se retuvo solo si su coeficiente era distinto de cero en ≥ 80% de las ejecuciones, reduciendo así la fluctuación aleatoria y el sesgo de selección. Después del análisis de regresión logística multivariante, las variables se utilizaron como los modelos predictivos finales. Se utilizó Python para establecer los nomogramas y dibujar las curvas ROC, de calibración y DCA para evaluar la importancia de los nomogramas realizados en este estudio. Los modelos de predicción de TMB, TMBCls y TMBCls2, se construyeron primero utilizando las características de los pacientes con CRC en la base de datos. Se utilizaron cuatro métodos de aprendizaje automático para modelarlos en este estudio: regresión logística (LR), máquina de vectores de soporte (SVM), árbol de decisión (DT) y bosque aleatorio (RF). En lugar de depender de un solo algoritmo, evaluamos simultáneamente cuatro métodos de aprendizaje automático comúnmente utilizados: LR, SVM, DT y RF. Esta estrategia se adoptó porque ningún modelo es universalmente superior en todos los conjuntos de datos y puntos finales clínicos; LR ofrece la máxima interpretabilidad, SVM captura los límites de clase no lineales, DT proporciona información transparente basada en reglas y RF reduce el sobreajuste al agregar múltiples aprendices débiles. Al comparar sistemáticamente su rendimiento, minimizamos el riesgo de sesgo específico del algoritmo, garantizamos la solidez de nuestros hallazgos e identificamos el enfoque óptimo para cada tarea de predicción en nuestra cohorte de cáncer colorrectal multiómica. El modelo TMBCls2 combina el estado de MSI en pacientes con CRC con TMBCls. Los modelos de predicción de TMB, TMBCls y TMBCls2, se construyeron primero utilizando las características de los pacientes con CRC en la base de datos. Se utilizaron cuatro métodos de aprendizaje automático para modelarlos en este estudio: LR, SVM, DT y RF. El modelo TMBCls2 combina el estado de MSI en pacientes con CRC con TMBCls. Los modelos de predicción del estado de NTRK, NTRKCls y NTRKCls2 (TMB mutnumber, TMBvalue, TMBlabel, MSIstatus) se construyeron utilizando las características de los pacientes con CRC en la base de datos, basándose en las características clínicas y patológicas del cáncer colorrectal. Los modelos de predicción del estado de PIK3CA, PIK3CACls y PIK3CACls2 (TMB mutnumber, TMBvalue, TMBlabel, MSIstatus), también se construyeron utilizando las características de los pacientes con CRC en la base de datos, basándose en las características clínicas y patológicas del cáncer colorrectal. SurvivalCox, SurvivalCox2, SurvivalCox3, SurvivalCox4 y SurvivalCox5 para la supervivencia de los datos de pacientes con CRC de la base de datos TCGA. SurvivalCox2 agregó el estado de MSI y TMBvalue a los pacientes con CRC en comparación con SurvivalCox. SurvivalCox3 agregó el estado de NTRK y PIK3CA en comparación con SurvivalCox2. SurvivalCox4 agregó TMBvalue a los pacientes con CRC en comparación con SurvivalCox. SurvivalCox5 agregó el estado de NTRK y PIK3CA en comparación con SurvivalCox. Para garantizar la total transparencia, las variables dependientes e independientes que se introducen en cada modelo de regresión logística multivariante se enumeran explícitamente a continuación: Modelo TMBCls2: Dependiente = estado binario de TMB (alto ≥ 10 mutaciones/Mb frente a bajo); independientes = edad, sexo, ubicación de la lesión, tipo de cáncer, tipo patológico, grado de diferenciación y estado de MSI (MSI-H frente a MSI-L/MSS). Modelo MSICls2: Dependiente = estado de MSI de tres clases (MSI-H, MSI-L, MSS); independientes = edad, sexo, ubicación de la lesión, tipo de cáncer, grado de diferenciación, TMBmutnumber, TMBvalue y TMBlabel. Modelo NTRKCls2: Dependiente = fusión de NTRK (positivo frente a negativo); independientes = edad, sexo, ubicación de la lesión, grado de diferenciación, TMBmutnumber, TMBvalue, TMBlabel y estado de MSI. Modelo PIK3CACls2: Dependiente = mutación puntual de PIK3CA (positivo frente a negativo); independientes idénticos a NTRKCls2.

Validación del modelo

La capacidad predictiva del modelo se evaluó utilizando un índice de concordancia (C-index). El área bajo la curva ROC representó el poder predictivo del modelo de nomograma, con valores más cercanos a 1 que indicaban una mayor precisión. La curva DCA es más adecuada para la eficiencia diagnóstica clínica real y satisface mejor las necesidades de la toma de decisiones clínicas. Los datos de la base de datos TCGA se utilizaron para dibujar las curvas ROC para el modelo de predicción de supervivencia. Los valores de SHAP se utilizaron para cuantificar la contribución de cada característica a la salida del modelo. Cuanto mayor sea el valor absoluto del valor de SHAP de la característica, mayor será el impacto de la característica en la salida del modelo.

Análisis estadístico

Las pruebas de multicolinealidad y normalidad se realizaron utilizando IBM SPSS Statistics 26.0 y Python. El modelo de predicción y las curvas de validación se construyeron utilizando el software Python. Para la relación entre las variables predictoras continuas (por ejemplo, edad y valor de TMB) y las variables de resultado dicotómicas (nivel de TMB, MSI-H frente a MSS, mutación de NTRK/PIK3CA o no), primero se realizó una prueba t de muestra independiente (distribución normal con varianza igual) o una prueba U de Mann-Whitney (distribución no normal/varianza desigual). Se utilizó un análisis de varianza (ANOVA) de un factor (distribución normal con varianza igual) o una prueba H de Kruskal-Wallis (distribución no normal/varianza heterogénea) con corrección de Bonferroni para comparaciones múltiples para comparar las variables de resultado categóricas (MSI-H, MSI-L y MSS) para las variables continuas. La significación estadística se estableció en P < 0,05.

Sujetos del estudio

Este estudio retrospectivo tuvo como objetivo crear nomogramas para predecir variantes genéticas para el diagnóstico del cáncer colorrectal y la supervivencia del paciente. Los pacientes de este estudio fueron reclutados del Hospital Yuebei de la provincia de Guangdong, China. Se seleccionaron como sujetos de estudio los pacientes hospitalizados que acudieron a nuestro hospital para la resección radical del cáncer colorrectal entre agosto de 2022 y noviembre de 2024. Los criterios de inclusión fueron los siguientes: (1) el CRC y los pólipos colorrectales fueron diagnosticados por patología en nuestro hospital, y todos los especímenes de resección se procesaron de acuerdo con la 5.ª edición de 2022 de la Clasificación de Tumores del Sistema Digestivo de la OMS ^[19] y (2) los datos clínicos fueron completos y cumplieron con las especificaciones. Los criterios de exclusión fueron los siguientes: (1) pacientes con un segundo tumor primario, (2) pacientes con trastornos mentales y de conciencia que no podían cooperar con el tratamiento y (3) pacientes con datos clínicos incompletos o irregulares. Finalmente, se seleccionaron 120 puntos de datos válidos desde agosto de 2022 hasta noviembre de 2024. La información de los pacientes con CRC de la base de datos TCGA se utilizó como conjunto de entrenamiento, y la información de 120 pacientes (todos los pacientes elegibles) de nuestro hospital se utilizó como conjunto de validación. Este estudio fue aprobado por el Comité de Ética del Hospital Yuebei de la provincia de Guangdong (Número de aprobación: YBSKY-2025-100-001).

Construcción del modelo

Los datos recopilados se analizaron para determinar su normalidad mediante la prueba de Shapiro-Wilk implementada en SciPy (scipy.stats.shapiro) utilizando Python para las variables continuas. Los datos de este estudio se obtuvieron de la base de datos TCGA y de 120 pacientes con CRC del Hospital Yuebei. Las variables recopiladas incluyeron datos demográficos (edad, sexo), clínicos (sitio de la lesión, tipo de cáncer), patológicos (estadio patológico AJCC, estadio T, estadio N, estadio M), moleculares (TMB, MSI y mutación NTRK/PIK3CA) y datos de supervivencia (tiempo y estado de supervivencia general). Las variables continuas se analizaron utilizando la prueba de normalidad de Python y las variables categóricas se codificaron utilizando solo el método de "calor". Las tareas de predicción incluyeron la predicción del nivel de TMB con el estado de MSI y las características clinicopatológicas como variables independientes; la predicción del estado de MSI con los indicadores de TMB y las características clínicas; la predicción de las mutaciones NTRK/PIK3CA con TMB, MSI y características clínicas; y la predicción de la supervivencia con características moleculares y clínicas. Se realizaron pruebas de multicolinealidad en los datos recopilados, y los resultados mostraron una correlación entre las variables; por lo tanto, se utilizó el método de validación cruzada Lasso para la selección, y las variables seleccionadas se incluyeron en el análisis de regresión logística multivariante. Se ajustaron modelos de regresión logística multivariante con la clase de regresión logística de scikit-learn (v 1.3.0) utilizando la penalización L2 (ridge) predeterminada, sin ponderación de clases y una tolerancia de 1 × 10−4. El coeficiente de regularización óptimo λ se determinó utilizando la validación cruzada de 10 pliegues (10-fold CV). Se implementó específicamente utilizando LassoCV (cv = 10, randomstate = 0) en Python scikit-learn. Se ejecutó LASSO después de repetir el muestreo bootstrap 100 veces. Si una variable tenía un coeficiente distinto de cero en ≥ 80% de las iteraciones, finalmente se incluyó en el modelo para reducir el sesgo de selección de variables causado por fluctuaciones aleatorias. Justificación de la regularización LASSO: la matriz multiómica original contenía 142 predictores candidatos, mientras que la cohorte de validación externa incluía solo 120 pacientes, lo que daba como resultado una relación de eventos por variable (EPV) muy por debajo del umbral convencional de 10. Este bajo EPV planteó un alto riesgo de sobreajuste y estimaciones inestables. LASSO reduce simultáneamente los coeficientes y fuerza a que los menores sean exactamente cero, produciendo una firma escasa e interpretable sin depender de un valor p arbitrario. Se utilizó la validación cruzada de 10 pliegues con 100 iteraciones de bootstrap para seleccionar el λ óptimo; una variable se retuvo solo si su coeficiente era distinto de cero en ≥ 80% de las ejecuciones, reduciendo así la fluctuación aleatoria y el sesgo de selección. Después del análisis de regresión logística multivariante, las variables se utilizaron como los modelos predictivos finales. Se utilizó Python para establecer los nomogramas y dibujar las curvas ROC, de calibración y DCA para evaluar la importancia de los nomogramas realizados en este estudio. Los modelos de predicción de TMB, TMBCls y TMBCls2, se construyeron primero utilizando las características de los pacientes con CRC en la base de datos. Se utilizaron cuatro métodos de aprendizaje automático para modelarlos en este estudio: regresión logística (LR), máquina de vectores de soporte (SVM), árbol de decisión (DT) y bosque aleatorio (RF). En lugar de depender de un solo algoritmo, evaluamos simultáneamente cuatro métodos de aprendizaje automático comúnmente utilizados: LR, SVM, DT y RF. Se adoptó esta estrategia porque ningún modelo es universalmente superior en todos los conjuntos de datos y puntos finales clínicos; LR ofrece la máxima interpretabilidad, SVM captura los límites de clase no lineales, DT proporciona información transparente basada en reglas y RF reduce el sobreajuste al agregar múltiples aprendices débiles. Al comparar sistemáticamente su rendimiento, minimizamos el riesgo de sesgo específico del algoritmo, garantizamos la solidez de nuestros hallazgos e identificamos el enfoque óptimo para cada tarea de predicción en nuestra cohorte de cáncer colorrectal multiómica. El modelo TMBCls2 combina el estado de MSI en pacientes con CRC con TMBCls. Los modelos de predicción de TMB, TMBCls y TMBCls2, se construyeron primero utilizando las características de los pacientes con CRC en la base de datos. Se utilizaron cuatro métodos de aprendizaje automático para modelarlos en este estudio: LR, SVM, DT y RF. El modelo TMBCls2 combina el estado de MSI en pacientes con CRC con TMBCls. Los modelos de predicción del estado de NTRK, NTRKCls y NTRKCls2 (TMB mutnumber, TMBvalue, TMBlabel, MSIstatus) se construyeron utilizando las características de los pacientes con CRC en la base de datos, basándose en las características clínicas y patológicas del CRC. Los modelos de predicción del estado de PIK3CA, PIK3CACls y PIK3CACls2 (TMB mutnumber, TMBvalue, TMBlabel, MSIstatus), también se construyeron utilizando las características de los pacientes con CRC en la base de datos, basándose en las características clínicas y patológicas del CRC. SurvivalCox, SurvivalCox2, SurvivalCox3, SurvivalCox4 y SurvivalCox5 para la supervivencia de los datos de pacientes con CRC de la base de datos TCGA. SurvivalCox2 agregó el estado de MSI y TMBvalue a los pacientes con CRC en comparación con SurvivalCox. SurvivalCox3 agregó el estado de NTRK y PIK3CA en comparación con SurvivalCox2. SurvivalCox4 agregó TMBvalue a los pacientes con CRC en comparación con SurvivalCox. SurvivalCox5 agregó el estado de NTRK y PIK3CA en comparación con SurvivalCox. Para garantizar la total transparencia, las variables dependientes e independientes que se introdujeron en cada modelo de regresión logística multivariante se enumeran explícitamente a continuación: Modelo TMBCls2: Dependiente = estado binario de TMB (alto ≥ 10 mutaciones/Mb frente a bajo); independientes = edad, sexo, ubicación de la lesión, tipo de cáncer, tipo patológico, grado de diferenciación y estado de MSI (MSI-H frente a MSI-L/MSS). Modelo MSICls2: Dependiente = estado de MSI de tres clases (MSI-H, MSI-L, MSS); independientes = edad, sexo, ubicación de la lesión, tipo de cáncer, grado de diferenciación, TMBmutnumber, TMBvalue y TMBlabel. Modelo NTRKCls2: Dependiente = fusión de NTRK (positivo frente a negativo); independientes = edad, sexo, ubicación de la lesión, grado de diferenciación, TMBmutnumber, TMBvalue, TMBlabel y estado de MSI. Modelo PIK3CACls2: Dependiente = mutación puntual de PIK3CA (positivo frente a negativo); independientes idénticos a NTRKCls2.

Validación del modelo

La capacidad predictiva del modelo se evaluó utilizando un índice de concordancia (C-index). El área bajo la curva ROC representó el poder predictivo del modelo de nomograma, con valores más cercanos a 1 que indicaban una mayor precisión. La curva DCA es más adecuada para la eficiencia diagnóstica clínica real y satisface mejor las necesidades de la toma de decisiones clínicas. Los datos de la base de datos TCGA se utilizaron para dibujar las curvas ROC para el modelo de predicción de la supervivencia. Los valores de SHAP se utilizaron para cuantificar la contribución de cada característica a la salida del modelo. Cuanto mayor sea el valor absoluto del valor de SHAP de la característica, mayor será el impacto de la característica en la salida del modelo.

Análisis estadístico

Las pruebas de multicolinealidad y normalidad se realizaron utilizando IBM SPSS Statistics 26.0 y Python. El modelo de predicción y las curvas de validación se construyeron utilizando el software Python. Para la relación entre las variables predictoras continuas (por ejemplo, edad y valor de TMB) y las variables de resultado dicotómicas (nivel de TMB, MSI-H frente a MSS, mutación de NTRK/PIK3CA o no), primero se realizó una prueba t de muestras independientes (distribución normal con varianza igual) o una prueba U de Mann-Whitney (distribución no normal/varianza desigual). Se utilizó un análisis de varianza (ANOVA) de un factor (distribución normal con varianza igual) o una prueba H de Kruskal-Wallis (distribución no normal/varianza heterogénea) con corrección de Bonferroni para comparaciones múltiples para comparar las variables de resultado categóricas (MSI-H, MSI-L y MSS) para las variables continuas. La significación estadística se estableció en P < 0,05.

Resultados

Construcción de un modelo predictivo para TMB en el cáncer colorrectal

Los resultados del análisis de los diferentes métodos de modelado mostraron que la inclusión de los indicadores de MSI en el modelo para predecir el estado de TMB de los pacientes con cáncer colorrectal mejoró significativamente la capacidad del modelo para predecir TMB, especialmente el método RF, con el mejor poder (Tabla 1). Se trazaron las curvas ROC utilizando un modelo de predicción de TMB con el método RF e incorporando las medidas de MSI, que tenía un valor de AUC de 0,9597 (IC del 95%: 0,9321-0,9873, d de Cohen = 2,38), un valor de sensibilidad de 0,8000 (IC del 95%: 0,6841-0,9159), un valor de especificidad de 0,9619, un valor de precisión de 0,9417 (IC del 95%: 0,9275-0,9963) y un valor de precisión de 0,7500 (IC del 95%: 0,9134-0,9700) (Figura 1A-C). Hipotetizamos que todos los pacientes serían diagnosticados con CRC en una línea sólida suave colocada oblicuamente en la curva DCA. La línea sólida horizontal representa la suposición de que a ningún paciente se le diagnostica CRC. Las líneas discontinuas oblicuas representan a todos los pacientes con CRC según el nomograma. La figura muestra que el beneficio neto de este modelo es mayor que en los casos extremos en la mayor parte del rango de umbral, lo que proporciona implicaciones importantes para la toma de decisiones clínicas (Figura 1D). Los valores de SHAP se calcularon con TreeExplainer (v0.44.0) en el modelo final de bosque aleatorio. Para cada característica, se informa el valor absoluto medio de SHAP en todas las muestras; un valor mayor indica una mayor influencia promedio en la salida del modelo. Las características se clasificaron por este valor absoluto medio, no por los extremos de una sola muestra. Entre las características analizadas, el estado de MSI de los pacientes tuvo el valor de SHAP más alto de 0,32, lo que indica que el estado de MSI tuvo el mayor impacto en la salida del modelo (Figura 1E-G). Estos resultados demuestran que RF es el método superior para la clasificación de TMB en este conjunto de datos multiómicos. Además de predecir TMB de forma aislada, este modelo integra de forma única el estado de MSI como un copredictor, lo que refleja la interacción biológica entre la deficiencia de la reparación del ADN y la carga mutacional. Este enfoque de doble objetivo permite una estimación más fundamentada biológicamente del potencial inmunogénico, lo que ofrece a los clínicos un sustituto de la respuesta a la inmunoterapia.

Validación de los modelos predictivos para TMB en pacientes con cáncer colorrectal

Posteriormente, se realizó un análisis de regresión logística utilizando datos de 120 pacientes con diagnósticos de CRC confirmados por patología para generar curvas ROC. Los resultados del análisis mostraron que el modelo de predicción de TMB que utiliza el método DT e incluye el índice de MSI tuvo el mejor poder, con un valor de AUC de 0,6431 (IC del 95%: 0,5589-0,7273), un valor de sensibilidad de 0,3182 (IC del 95%: 0,1789-0,4575), un valor de especificidad de 0,9694 (IC del 95%: 0,9421-0,9967), un valor de precisión de 0,8500 (IC del 95%: 0,7912-0,9088) y un valor de precisión de 0,7000 (Tabla 2). La sensibilidad del conjunto de validación independiente fue relativamente baja en el modelo que validaba el estado de TMB en los pacientes con CRC, posiblemente debido al pequeño tamaño de la muestra.

Establecimiento de un modelo predictivo para MSI en pacientes con cáncer colorrectal

Para predecir el estado de MSI, se construyó un modelo predictivo para el estado de MSI. Los resultados del análisis de diferentes métodos de modelado mostraron que la inclusión de tres indicadores de TMB en el modelo para predecir el estado de MSI en pacientes con cáncer colorrectal mejoró significativamente la capacidad del modelo para predecir MSI, especialmente el método RF, que obtuvo el mejor rendimiento (Tabla 3). Se trazaron curvas ROC utilizando el método RF y un modelo de predicción de MSI que incorporaba tres medidas de TMB, que tuvo un valor de AUC de 0,8225 (IC del 95%: 0,7789–0,8661, Cohen’s d = 1,42), valores de sensibilidad de 0,6770 (IC del 95%: 0,5987–0,7553), valores de especificidad de 0,8835 (IC del 95%: 0,8452–0,9218), valores de precisión de 0,6151 y valores de exactitud de 0,8667 (IC del 95%: 0,8291–0,9043) (Figura 2A–C). Entre las características incluidas en el análisis, aquellas que afectaron a la mayor proporción de diferentes estados de MSI fueron diferentes. TMB mutnumber tuvo el mayor impacto en la población MSI, con un valor SHAP de 0,12. En la población MSI-L, el sexo tuvo el mayor efecto, con un valor SHAP de 0,10. En la población MSI-H, TMBlabel tuvo el mayor efecto, con un valor SHAP de 0,15 (Figura 2D). RF superó consistentemente a otros algoritmos en la predicción de MSI. Al incorporar las métricas de TMB en la predicción de MSI, este modelo va más allá de los ensayos tradicionales de un solo marcador, capturando el continuo molecular desde la hipermutación hasta la deficiencia de reparación. Esta integración multiómica permite la identificación preoperatoria de tumores MSI-H, lo que podría guiar las decisiones de inmunoterapia neoadyuvante en el cáncer colorrectal en estadio temprano.

Validación de modelos predictivos para MSI en pacientes con cáncer colorrectal

Los resultados mostraron que el modelo de predicción de MSI que utiliza el método RF e incluye los tres indicadores de TMB tuvo el mejor rendimiento, con un valor de AUC de 0,6331 (IC del 95%: 0,5493–0,7169), un valor de sensibilidad de 0,5816 (IC del 95%: 0,4725–0,6907), un valor de especificidad de 0,8760 (IC del 95%: 0,8234–0,9286), un valor de exactitud de 0,9000 (IC del 95%: 0,8534–0,9466) y un valor de precisión de 0,4785 (Tabla 4). La sensibilidad del conjunto de validación independiente fue relativamente baja en el modelo que validaba el estado de MSI en pacientes con cáncer colorrectal, posiblemente debido al pequeño tamaño de la muestra.

Establecimiento de un modelo predictivo para los genes NTRK y PIK3CA en pacientes con cáncer colorrectal

Los resultados del análisis de diferentes métodos de modelado mostraron que la inclusión de tres indicadores de TMB y el estado de MSI en el modelo para predecir el estado de los genes NTRK y PIK3CA en pacientes con cáncer colorrectal mejoró significativamente la capacidad del modelo para predecir el estado de los genes NTRK y PIK3CA, especialmente cuando se utilizó el método RF, que obtuvo el mejor rendimiento (Tablas 5 y 6). Se trazaron curvas ROC utilizando el método RF y un modelo de predicción del estado de los genes NTRK y PIK3CA que incorporaba las medidas de TMB y el estado de MSI. El modelo de predicción de NTRK tuvo un AUC de 0,7623 (IC del 95%: 0,7034–0,8212, Cohen’s d = 0,46), una sensibilidad de 0,2727 (IC del 95%: 0,1125–0,4329), una especificidad de 0,9450 (IC del 95%: 0,9124–0,9776), una precisión de 0,3333 y una exactitud de 0,8833 (IC del 95%: 0,8437–0,9229) (Figura 3A–C). Entre las características incluidas en el análisis, aquellas que afectaron a la mayor proporción de diferentes estados de NTRK fueron diferentes. El valor de TMB tuvo el mayor impacto en la predicción del gen NTRK, con un valor SHAP de 0,08 (Figura 3D). El modelo de predicción de PIK3CA tuvo un valor de AUC de 0,6370 (IC del 95%: 0,5634–0,7106, Cohen’s d = 0,51), un valor de sensibilidad de 0,3793 (IC del 95%: 0,2487–0,5099), un valor de especificidad de 0,7802 (IC del 95%: 0,7245–0,8359), un valor de precisión de 0,3548 y un valor de exactitud de 0,6833 (IC del 95%: 0,6201–0,7465) (Figura 4A–C). Entre las características del análisis incluidas, aquellas que afectaron a la mayor proporción de diferentes estados de PIK3CA fueron diferentes. Entre estas, la ubicación de la lesión tuvo el mayor impacto en la predicción del gen PIK3CA, con un valor SHAP de 0,07 (Figura 4D). Se identificó que RF es el método óptimo para predecir el estado de mutación de los genes en este estudio. Al aprovechar TMB y MSI como anclajes moleculares previos, el modelo identifica los factores clave que pueden ser objeto de tratamiento antes que el NGS indiferenciado por tejido, lo que podría acelerar la derivación a ensayos genotipados en entornos con recursos limitados.

Validación de modelos predictivos para los genes NTRK y PIK3CA en pacientes con cáncer colorrectal

Los resultados mostraron que los modelos de predicción de los genes NTRK y PIK3CA que utilizan el método RF, e incluyen los tres indicadores de TMB y el estado de MSI, tuvieron el mejor rendimiento. El modelo de predicción de NTRK tuvo un AUC de 0,7311 (IC del 95%: 0,6542–0,8080), una sensibilidad de 0,4286 (IC del 95%: 0,2375–0,6197), una especificidad de 0,8868 (IC del 95%: 0,8389–0,9347), una exactitud de 0,8333 (IC del 95%: 0,7821–0,8845) y una precisión de 0,3333 (Tabla 7). El modelo de predicción de PIK3CA tuvo un AUC de 0,5063 (IC del 95%: 0,4215–0,5911), una sensibilidad de 0,2414 (IC del 95%: 0,1189–0,3639), una especificidad de 0,8022 (IC del 95%: 0,7445–0,8599), una exactitud de 0,6667 (IC del 95%: 0,6034–0,7300) y una precisión de 0,2800 (Tabla 8). En el modelo que validaba el estado de los genes NTRK y PIK3CA en pacientes con cáncer colorrectal, la sensibilidad y la precisión del conjunto de validación independiente fueron relativamente bajas, posiblemente debido al pequeño tamaño de la muestra.

Construcción de un modelo de predicción de supervivencia para pacientes con cáncer colorrectal

Posteriormente, se utilizaron datos de TCGA para construir los modelos de predicción SurvivalCox, SurvivalCox2, SurvivalCox3, SurvivalCox4 y Survival_Cox5 para la supervivencia de los pacientes con cáncer colorrectal. El rendimiento de este nomograma se midió utilizando el índice C, con Survival Cox 0,7022 (IC del 95%: 0,6745–0,7299), Survival Cox2 0,6944 (IC del 95%: 0,6668–0,7220), Survival Cox3 0,6668 (IC del 95%: 0,6389–0,6947), Survival Cox4 0,6991 (IC del 95%: 0,6716–0,7266) y Survival Cox5 0,6653 (IC del 95%: 0,6374–0,6932) (P > 0,05, Tabla 9). Los poderes predictivos de estos modelos no fueron significativamente diferentes, y posteriormente se incluyeron más indicadores característicos en la optimización del modelo de predicción de la supervivencia de los pacientes con cáncer colorrectal. A diferencia de los modelos de supervivencia convencionales que se basan únicamente en variables clinicopatológicas, este nomograma multi-objetivo incorpora TMB, MSI y mutaciones que pueden ser objeto de tratamiento como entradas dinámicas. Esto refleja la realidad biológica de que la supervivencia está determinada tanto por la inestabilidad genómica intrínseca del tumor como por los factores oncogénicos que pueden ser objeto de tratamiento, lo que permite una visión holística del pronóstico del paciente y las opciones terapéuticas.

Construcción de un modelo predictivo para TMB en pacientes con cáncer colorrectal

Los resultados del análisis de diferentes métodos de modelado mostraron que la inclusión de los indicadores de MSI en el modelo para predecir el estado de TMB en pacientes con cáncer colorrectal mejoró significativamente la capacidad del modelo para predecir TMB, especialmente el método RF, que obtuvo el mejor rendimiento (Tabla 1). Se trazaron curvas ROC utilizando un modelo de predicción de TMB con el método RF e incorporando las medidas de MSI, que tuvo un valor de AUC de 0,9597 (IC del 95%: 0,9321–0,9873, Cohen’s d = 2,38), un valor de sensibilidad de 0,8000 (IC del 95%: 0,6841–0,9159), un valor de especificidad de 0,9619, un valor de exactitud de 0,9417 (IC del 95%: 0,9275–0,9963) y un valor de precisión de 0,7500 (IC del 95%: 0,9134–0,9700) (Figura 1A–C). Hipotetizamos que todos los pacientes serían diagnosticados con cáncer colorrectal en una línea sólida y suave colocada oblicuamente en la curva DCA. La línea sólida horizontal brillante representa la suposición de que no se diagnostica cáncer colorrectal en ningún paciente. Las líneas discontinuas oblicuas representan a todos los pacientes con cáncer colorrectal según el nomograma. La figura muestra que el beneficio neto de este modelo es mayor que en los casos extremos en la mayor parte del rango de umbral, lo que proporciona implicaciones importantes para la toma de decisiones clínicas (Figura 1D). Los valores SHAP se calcularon con TreeExplainer (v0.44.0) en el modelo final de bosque aleatorio. Para cada característica, se informa el valor absoluto medio de SHAP en todas las muestras; un valor mayor indica una mayor influencia promedio en la salida del modelo. Las características se clasificaron por este valor absoluto medio, no por los extremos de una sola muestra. Entre las características analizadas, el estado de MSI de los pacientes tuvo el valor SHAP más alto, de 0,32, lo que indica que el estado de MSI tuvo el mayor impacto en la salida del modelo (Figura 1E–G). Estos resultados demuestran que RF es el método superior para la clasificación de TMB en este conjunto de datos multiómicos. Además de predecir TMB de forma aislada, este modelo integra de forma única el estado de MSI como un copredictor, lo que refleja la interacción biológica entre la deficiencia de la reparación del ADN y la carga de mutaciones. Este enfoque de doble objetivo permite una estimación más fundamentada biológicamente del potencial inmunogénico, lo que ofrece a los clínicos un sustituto de la respuesta a los inhibidores de puntos de control inmunitarios.

Validación de modelos predictivos para TMB en pacientes con cáncer colorrectal

Posteriormente, se realizó un análisis de regresión logística utilizando datos de 120 pacientes con diagnósticos de cáncer colorrectal confirmados por patología para generar curvas ROC. Los resultados del análisis mostraron que el modelo de predicción de TMB que utiliza el método DT e incluye el índice de MSI tuvo el mejor rendimiento, con un valor de AUC de 0,6431 (IC del 95%: 0,5589–0,7273), un valor de sensibilidad de 0,3182 (IC del 95%: 0,1789–0,4575), un valor de especificidad de 0,9694 (IC del 95%: 0,9421–0,9967), un valor de exactitud de 0,8500 (IC del 95%: 0,7912–0,9088) y un valor de precisión de 0,7000 (Tabla 2). La sensibilidad del conjunto de validación independiente fue relativamente baja en el modelo que validaba el estado de TMB en pacientes con cáncer colorrectal, posiblemente debido al pequeño tamaño de la muestra.

Establecimiento de un modelo predictivo para MSI en pacientes con cáncer colorrectal

Para predecir el estado de MSI, se construyó un modelo predictivo para el estado de MSI. Los resultados del análisis de diferentes métodos de modelado mostraron que la inclusión de tres indicadores de TMB en el modelo para predecir el estado de MSI en pacientes con cáncer colorrectal mejoró significativamente la capacidad del modelo para predecir MSI, especialmente el método RF, que obtuvo el mejor rendimiento (Tabla 3). Se trazaron curvas ROC utilizando el método RF y un modelo de predicción de MSI que incorporaba tres medidas de TMB, que tuvo un valor de AUC de 0,8225 (IC del 95%: 0,7789–0,8661, Cohen’s d = 1,42), valores de sensibilidad de 0,6770 (IC del 95%: 0,5987–0,7553), valores de especificidad de 0,8835 (IC del 95%: 0,8452–0,9218), valores de precisión de 0,6151 y valores de exactitud de 0,8667 (IC del 95%: 0,8291–0,9043) (Figura 2A–C). Entre las características incluidas en el análisis, aquellas que afectaron a la mayor proporción de diferentes estados de MSI fueron diferentes. TMB mutnumber tuvo el mayor impacto en la población MSI, con un valor SHAP de 0,12. En la población MSI-L, el sexo tuvo el mayor efecto, con un valor SHAP de 0,10. En la población MSI-H, TMBlabel tuvo el mayor efecto, con un valor SHAP de 0,15 (Figura 2D). RF superó consistentemente a otros algoritmos en la predicción de MSI. Al incorporar las métricas de TMB en la predicción de MSI, este modelo va más allá de los ensayos tradicionales de un solo marcador, capturando el continuo molecular desde la hipermutación hasta la deficiencia de reparación. Esta integración multiómica permite la identificación preoperatoria de tumores MSI-H, lo que podría guiar las decisiones de inmunoterapia neoadyuvante en el cáncer colorrectal en estadio temprano.

Validación de modelos predictivos para MSI en pacientes con cáncer colorrectal

Los resultados mostraron que el modelo de predicción de MSI que utiliza el método RF e incluye los tres indicadores de TMB tuvo el mejor rendimiento, con un valor de AUC de 0,6331 (IC del 95%: 0,5493–0,7169), un valor de sensibilidad de 0,5816 (IC del 95%: 0,4725–0,6907), un valor de especificidad de 0,8760 (IC del 95%: 0,8234–0,9286), un valor de exactitud de 0,9000 (IC del 95%: 0,8534–0,9466) y un valor de precisión de 0,4785 (Tabla 4). La sensibilidad del conjunto de validación independiente fue relativamente baja en el modelo que validaba el estado de MSI en pacientes con cáncer colorrectal, posiblemente debido al pequeño tamaño de la muestra.

Establecimiento de un modelo predictivo para los genes NTRK y PIK3CA en pacientes con cáncer colorrectal

Los resultados del análisis de diferentes métodos de modelado mostraron que la inclusión de tres indicadores de la carga mutacional tumoral (TMB) y el estado de inestabilidad de microsatélites (MSI) en el modelo para predecir el estado de los genes NTRK y PIK3CA en pacientes con cáncer colorrectal (CCR) mejoró significativamente la capacidad del modelo para predecir el estado de los genes NTRK y PIK3CA, especialmente cuando se utilizó el método de Random Forest (RF), obteniendo el mejor rendimiento (Tablas 5 y 6). Se trazaron curvas ROC utilizando el método RF y un modelo de predicción del estado de los genes NTRK y PIK3CA que incorpora las medidas de TMB y el estado de MSI. El modelo de predicción de NTRK tuvo un AUC de 0,7623 (IC del 95%: 0,7034–0,8212, Cohen’s d = 0,46), una sensibilidad de 0,2727 (IC del 95%: 0,1125–0,4329), una especificidad de 0,9450 (IC del 95%: 0,9124–0,9776), una precisión de 0,3333 y una exactitud de 0,8833 (IC del 95%: 0,8437–0,9229) (Figura 3A–C). Entre las características incluidas en el análisis, aquellas que afectaron a la mayor proporción de diferentes estados de NTRK fueron diferentes. El valor de TMB tuvo el mayor impacto en la predicción del gen NTRK, con un valor SHAP de 0,08 (Figura 3D). El modelo de predicción de PIK3CA tuvo un valor de AUC de 0,6370 (IC del 95%: 0,5634–0,7106, Cohen’s d = 0,51), un valor de sensibilidad de 0,3793 (IC del 95%: 0,2487–0,5099), un valor de especificidad de 0,7802 (IC del 95%: 0,7245–0,8359), un valor de precisión de 0,3548 y un valor de exactitud de 0,6833 (IC del 95%: 0,6201–0,7465) (Figura 4A–C). Entre las características de análisis incluidas, aquellas que afectaron a la mayor proporción de diferentes estados de PIK3CA fueron diferentes. Entre estas, la ubicación de la lesión tuvo el mayor impacto en la predicción del gen PIK3CA, con un valor SHAP de 0,07 (Figura 4D). Se identificó que RF es el método óptimo para predecir el estado de mutación de los genes en este estudio. Al aprovechar la TMB y el MSI como anclajes moleculares previos, el modelo identifica los factores accionables antes que el NGS no específico del tejido, lo que podría acelerar la derivación a ensayos con genotipos coincidentes en entornos con recursos limitados.

Validación de modelos predictivos para los genes NTRK y PIK3CA en pacientes con cáncer colorrectal

Los resultados mostraron que los modelos de predicción de los genes NTRK y PIK3CA que utilizan el método RF, incluyendo los tres indicadores de TMB y el estado de MSI, tuvieron el mejor rendimiento. El modelo de predicción de NTRK tuvo un AUC de 0,7311 (IC del 95%: 0,6542–0,8080), una sensibilidad de 0,4286 (IC del 95%: 0,2375–0,6197), una especificidad de 0,8868 (IC del 95%: 0,8389–0,9347), una exactitud de 0,8333 (IC del 95%: 0,7821–0,8845) y una precisión de 0,3333 (Tabla 7). El modelo de predicción de PIK3CA tuvo un AUC de 0,5063 (IC del 95%: 0,4215–0,5911), una sensibilidad de 0,2414 (IC del 95%: 0,1189–0,3639), una especificidad de 0,8022 (IC del 95%: 0,7445–0,8599), una exactitud de 0,6667 (IC del 95%: 0,6034–0,7300) y una precisión de 0,2800 (Tabla 8). En el modelo que valida el estado de los genes NTRK y PIK3CA en pacientes con CCR, la sensibilidad y la precisión del conjunto de validación independiente fueron relativamente bajas, posiblemente debido al pequeño tamaño de la muestra.

Construcción de un modelo de predicción de supervivencia para pacientes con cáncer colorrectal

Posteriormente, se utilizó información de los datos de TCGA para construir los modelos de predicción SurvivalCox, SurvivalCox2, SurvivalCox3, SurvivalCox4 y Survival_Cox5 para la supervivencia de los pacientes con CCR. El rendimiento de este nomograma se midió utilizando el índice C, con Survival Cox 0,7022 (IC del 95%: 0,6745–0,7299), Survival Cox2 0,6944 (IC del 95%: 0,6668–0,7220), Survival Cox3 0,6668 (IC del 95%: 0,6389–0,6947), Survival Cox4 0,6991 (IC del 95%: 0,6716–0,7266) y Survival Cox5 0,6653 (IC del 95%: 0,6374–0,6932) (P>0,05, Tabla 9). Los poderes predictivos de estos modelos no fueron significativamente diferentes, y posteriormente se incluyeron más indicadores característicos en la optimización del modelo de predicción de la supervivencia de los pacientes con CCR. A diferencia de los modelos de supervivencia convencionales que se basan únicamente en variables clinicopatológicas, este nomograma multi-objetivo incorpora la TMB, el MSI y las mutaciones accionables como entradas dinámicas. Esto refleja la realidad biológica de que la supervivencia está determinada tanto por la inestabilidad genómica intrínseca del tumor como por los factores oncogénicos susceptibles de ser tratados, lo que permite una visión integral del pronóstico del paciente y las opciones terapéuticas.

Discusión

Este estudio tuvo como objetivo construir y validar un modelo de predicción multi-ómica basado en las características clínicas y patológicas de los pacientes con CCR para predecir su TMB, MSI y supervivencia. El estudio utilizó un diseño retrospectivo con 120 pacientes hospitalizados como conjunto de validación, mientras que la información de los pacientes con CCR de la base de datos TCGA se utilizó como conjunto de entrenamiento. Nuestros resultados demuestran que la incorporación del estado de MSI mejora significativamente la predicción de la TMB, con Random Forest (RF) logrando un AUC de 0,9597 en el conjunto de entrenamiento. De manera similar, las métricas de TMB mejoraron la predicción de MSI (AUC = 0,8225), lo que refuerza la interacción biológica entre la carga mutacional y la deficiencia de la reparación del ADN. Estos hallazgos se alinean con estudios previos que destacan la utilidad de los modelos integrativos para capturar fenotipos moleculares sin secuenciación costosa. En la construcción del modelo de predicción de TMB, se realizó el modelado incorporando características clínicas (por ejemplo, edad, sexo, ubicación de la lesión y tipo de cáncer) y características patológicas (por ejemplo, tipo patológico y diferenciación) combinadas con métodos de aprendizaje automático (por ejemplo, LR, SVM, DT y RF). Los resultados mostraron que el modelo de predicción de TMB que incluye el índice de MSI tuvo el mejor rendimiento cuando se construyó utilizando el método RF, con un valor de AUC de 0,9597, una sensibilidad de 0,8000, una especificidad de 0,9619, una exactitud de 0,9417 y una tasa de precisión de 0,7500. Sin embargo, en el conjunto de validación, el modelo construido utilizando el método DT tuvo el mejor rendimiento, con un valor de AUC de 0,6431; sin embargo, la sensibilidad fue baja y puede estar relacionada con el pequeño tamaño de la muestra. Para los modelos de predicción del estado de MSI, los estudios se modelaron de manera similar en función de las características clínicas y patológicas combinadas con las medidas relacionadas con la TMB. Los resultados mostraron que el modelo de predicción de MSI que incluye los tres indicadores de TMB tuvo el mejor rendimiento cuando se construyó utilizando el método RF, con un valor de AUC de 0,8225, una sensibilidad de 0,6770, una especificidad de 0,8835, una exactitud de 0,8867 y una precisión de 0,6151. En el conjunto de validación, el modelo construido utilizando el método RF tuvo el mejor rendimiento, con un valor de AUC de 0,6331; sin embargo, la sensibilidad siguió siendo baja y puede estar igualmente limitada por el tamaño de la muestra. En la construcción del modelo de predicción de supervivencia, el estudio comparó los modelos que no incluían el estado de MSI y el valor de TMB con aquellos que incluían estos indicadores. Los resultados mostraron que el índice C del modelo con el estado de MSI y el valor de TMB fue de 0,7148, lo que no fue significativamente diferente de 0,7134 sin el estado de MSI, lo que indica que el estado de MSI y el valor de TMB contribuyeron solo a la predicción de la supervivencia. Al proporcionar cuatro predicciones paralelas a partir de un único vector de entrada de bajo costo (histología de rutina y datos demográficos básicos), el modelo funciona como una herramienta de triaje pre-secuenciación. En la práctica, una alta probabilidad predicha por RF para cualquier objetivo daría lugar a pruebas de detección solo en el subconjunto relevante, lo que reduciría la carga de secuenciación y ampliaría el acceso a terapias con genotipos coincidentes. Los análisis SHAP revelaron que el estado de MSI dominó la predicción de TMB, el número de mutaciones de TMB impulsó la clasificación de MSI y la ubicación de la lesión surgió como el principal factor de estado de PIK3CA, hallazgos que recapitulan la ontogenia conocida del cáncer colorrectal (origen derecho con MSI/TMB alto frente a tumores de PIK3CA mutante de lado izquierdo). Por lo tanto, el modelo no solo predice, sino que también refuerza la biología fundamental del tumor, lo que aumenta la confianza en su validez mecanicista.

Los métodos actuales para detectar la TMB incluyen la secuenciación de alto rendimiento (HTS) de secciones de tejido tumoral o muestras de sangre. Según los hallazgos recientes, la TMB se puede estimar de manera confiable utilizando algoritmos validados que consultan conjuntos suficientemente grandes de exones para reemplazar la secuenciación del exoma completo utilizando ensayos de NGS.^[20] Sin embargo, la detección de TMB todavía no se utiliza ampliamente en la práctica clínica, y los factores principales son los tiempos de detección del genoma completo y el exoma completo, que son largos y costosos. En la actualidad, varias empresas de pruebas genéticas han establecido sus propios programas de detección de TMB, pero la colección de genes de cada empresa cubre diferentes genes y establece diferentes umbrales; por lo tanto, el estado actual de la detección de TMB no se puede estandarizar, lo que es el factor más crítico que impide su uso generalizado en la práctica clínica. Los niveles de TMB varían mucho entre los diferentes tipos de tumores y requieren la diferenciación de posibles genomas patógenos.^[21] Chowell D et al^[22] señaló que, dado que el mecanismo inmunitario del tumor y el microambiente aún se están investigando y los productos de mutación génica tienen diferencias en la inmunogenicidad, el valor de la TMB por sí solo puede no ser suficiente para predecir con precisión la eficacia de la inmunoterapia, sino que también depende de la "calidad" de las mutaciones de TMB, es decir, la tipificación de HLA. Los tumores ricos en mutaciones de cambio de marco (inserciones o deleciones de bases) son más inmunogénicos que los tumores que contienen mutaciones no sinónimas.^[23] Wang et al^[24] introdujo una red de aprendizaje profundo (DL) interpretable y de múltiples etapas para predecir subtipos patológicos, MSI, mutaciones de TP53 y TMB directamente a partir de imágenes de portaobjetos histopatológicos de diapositivas de CCR de bajo costo y de uso común. Los resultados del análisis mostraron que los pacientes con CCR con alta TMB predicha por el modelo tenían una supervivencia libre de enfermedad significativamente más larga que aquellos con baja TMB. Chen et al^[25] también proporcionó un método económico y rápido para predecir la TMB en pacientes, proponiendo un modelo K-MeansGraphMIL basado en el aprendizaje multi-instancia supervisado débil. Este enfoque mejoró el área bajo la curva de características operativas del receptor (AUC) del modelo a 0,8334 y aumentó significativamente la recuperación a 0,7556. Esto ofrece a los médicos el potencial de desarrollar planes de tratamiento de forma rápida y ahorrar a los pacientes una cantidad considerable de tiempo y dinero. En este estudio, utilizamos una variedad de métodos de aprendizaje automático, y los resultados mostraron que el método RF tuvo el mejor rendimiento en el modelo de predicción de TMB construido después de incluir los indicadores de MSI, con un valor de AUC de 0,9597, una sensibilidad de 0,8000, una especificidad de 0,9619, una exactitud de 0,9417 y una tasa de precisión de 0,7500. Esto sugiere que la capacidad predictiva del modelo se mejoró significativamente al comparar y optimizar múltiples algoritmos.

La inestabilidad de microsatélites es un fenotipo genético importante en el CCRC y está estrechamente relacionada con la aparición, el desarrollo y la respuesta inmune de los tumores. Evaluar el estado de inestabilidad de microsatélites es de gran importancia para el diagnóstico, el tratamiento y la evaluación pronóstica de los pacientes con CCRC.^[26] Actualmente, la inestabilidad de microsatélites en pacientes con CCRC se evalúa habitualmente mediante inmunohistoquímica o PCR multiplex en la práctica clínica; sin embargo, estos métodos tienen algunas limitaciones. Los estudios previos se han centrado principalmente en modelos de predicción del estado MSS basados en datos ómicos únicos (por ejemplo, datos de expresión génica y metilación) o características clínicas únicas. Algunos estudios han utilizado únicamente datos de expresión génica para construir modelos de predicción con el fin de predecir el estado de MSI mediante la selección y el análisis de genes expresados de forma diferencial.^[27] Otros se basan en características patológicas o parámetros clínicos, pero no combinan características moleculares, como la TMB, para un análisis exhaustivo.^[28] En este estudio, el modelo MSICls2, que incluía tres indicadores de TMB, tuvo el mejor poder cuando se construyó utilizando el método RF, con un valor de AUC de 0,8225, una sensibilidad de 0,6770, una especificidad de 0,8835, una precisión de 0,8667 y una tasa de precisión de 0,6151. En el conjunto de validación, el modelo tuvo un valor de AUC de 0,6331, una sensibilidad de 0,5816, una especificidad de 0,8760, una precisión de 0,9000 y una precisión de 0,4785. A pesar de la baja sensibilidad del conjunto de validación, el modelo en general tuvo un mejor rendimiento en el conjunto de entrenamiento que en muchos estudios previos. En un estudio previo basado en datos de expresión génica, el valor de AUC del modelo fue de 0,78, pero su sensibilidad y especificidad fueron de 0,72 y 0,85, respectivamente.^[29] En otro estudio que utilizó únicamente características clínicas, el valor de AUC del modelo fue de 0,75, y la sensibilidad y la especificidad fueron de 0,68 y 0,82, respectivamente.^[28] Ying et al^[30] presentaron un modelo de nomograma clínico-radiómico que combina factores de riesgo clínicos, datos de imagen cualitativos y perfiles radiómicos, que puede ser eficaz para la predicción preoperatoria individualizada del estado de MSI en pacientes con CCRC y puede ayudar en el desarrollo de estrategias de tratamiento adicionales. Ma et al^[31] desarrollaron un modelo LM-Nomo que incluía características clínicas significativas y puntuaciones radiómicas basadas en TC del tumor/peritumoral y tuvo el mejor rendimiento en la predicción del estado MSI-H en el cáncer de colon. Para integrar la TMB y el estado de MSI en un tratamiento individualizado, el clínico simplemente introduce el valor de TMB derivado de NGS del paciente y el estado de MSI (que se puede obtener en 5 a 7 días) junto con las variables clinicopatológicas de rutina en el script de Python proporcionado o en el próximo calculador web; las probabilidades basadas en RF guían entonces un algoritmo de decisión práctico: una probabilidad alta de TMB ≥ 0,75 desencadena la discusión sobre la inhibición del punto de control inmunitario (ICI) de primera línea, MSI-H ≥ 0,75 confirma la ICI al tiempo que evita la secuenciación completa del exoma, ambas probabilidades < 0,35 dirigen la quimioterapia citotóxica; en nuestra cohorte de validación, este enfoque reclasificó al 15% de los pacientes como de alta TMB que inicialmente se informaron como de baja TMB, lo que permitió a los pacientes recibir una ICI eficaz y demostró la capacidad del modelo para rescatar falsos negativos y ampliar la población elegible para la ICI sin una secuenciación de alto costo universal.

Los genes de fusión NTRK son poco frecuentes, pero son factores accionables que se encuentran en el 0,5-1% de los cánceres colorrectales; activan constitutivamente el eje de señalización TRK y confieren sensibilidad a los inhibidores selectivos de TRK, como larotrectinib y entrectinib. PIK3CA, que codifica la subunidad catalítica p110α de PI3K, está mutado en el 15-20% de los CCRC, con mayor frecuencia en los exones 9 y 20, y promueve el crecimiento tumoral a través de la señalización sostenida de AKT-mTOR; los inhibidores específicos de PI3Kα (por ejemplo, alpelisib) se están investigando en el CCRC con mutación de PIK3CA.^[10-12] Dado que el cribado de tejidos no específico aún no es universal, un modelo de triaje rápido y rentable que identifique a los pacientes con una alta probabilidad de albergar estas alteraciones podría acelerar las pruebas moleculares y optimizar el acceso a terapias adaptadas al genotipo. En el conjunto de entrenamiento, el modelo NTRK basado en RF (AUC 0,762, especificidad 0,945) y el modelo PIK3CA (AUC 0,637, especificidad 0,780) mostraron un mejor rendimiento después de la incorporación de las métricas de TMB y MSI, lo que indica que estas variables moleculares aportan una señal significativa. Sin embargo, los valores de AUC del conjunto de validación disminuyeron a 0,731 para NTRK y a 0,506 para PIK3CA, acompañados de una baja sensibilidad (< 0,43) y una precisión modesta (< 0,35). La disminución se debe al pequeño tamaño de la cohorte de validación de un solo centro (n = 120) y a la baja prevalencia de las fusiones de NTRK (aproximadamente el 1%) y las mutaciones en los puntos calientes de PIK3CA (aproximadamente el 15%) en el CCRC no seleccionado, lo que limita el número de eventos y produce amplios intervalos de confianza. Aunque la firma NTRK derivada de RF alcanzó una especificidad aceptable (0,887) y, por lo tanto, puede servir como una herramienta de inclusión, la baja sensibilidad subraya que una predicción negativa aún no puede reemplazar los ensayos de fusión basados en ARN. Para PIK3CA, incluso el valor de AUC del conjunto de entrenamiento se mantuvo por debajo de 0,65, lo que sugiere que las variables clinicopatológicas más la TMB/MSI por sí solas son insuficientes; puede ser necesario agregar datos ortogonales, como la proteómica fosfo o la dinámica del ctDNA, antes de que se pueda reclamar la utilidad clínica. Se justifican esfuerzos de validación más amplios y multicéntricos, preferiblemente enriquecidos con genotipos raros, para ambos genes.

A pesar del prometedor rendimiento en el conjunto de entrenamiento, reconocemos un riesgo sustancial de sobreajuste. Los modelos derivados de TCGA se optimizaron en la misma cohorte pública que proporcionó tanto las características como las etiquetas, y la validación interna posterior empleó solo 120 pacientes de una sola institución. En consecuencia, el ROC-AUC para cada modelo disminuyó marcadamente en el conjunto de validación, mientras que la sensibilidad se mantuvo constantemente baja. Estos patrones son compatibles con el sobreajuste amplificado por las siguientes limitaciones. En primer lugar, el tamaño de la muestra del conjunto de validación fue de solo 120, y el tamaño de la muestra fue pequeño, lo que puede haber provocado la baja sensibilidad del modelo en el conjunto de validación, lo que dificulta reflejar completamente la diversidad de los pacientes con cáncer colorrectal y afecta a la capacidad de generalización del modelo. En segundo lugar, el conjunto de entrenamiento se derivó únicamente de la base de datos TCGA y puede tener limitaciones en términos de etnia, distribución geográfica, etc., lo que a su vez afecta a la aplicabilidad del modelo. Además, la eficacia del modelo en el conjunto de validación fue deficiente. Por ejemplo, el valor de AUC del modelo de predicción de TMB fue de solo 0,6431, y el valor de AUC del modelo de predicción de MSI fue de 0,6331, lo que fue inferior al nivel del conjunto de entrenamiento, lo que sugiere que la estabilidad y la precisión del modelo deben mejorarse aún más. Los estudios futuros deben ampliar el tamaño de la muestra, optimizar los métodos de construcción del modelo y combinar más características clínicas para mejorar la potencia y la aplicabilidad del modelo.

Conclusión

En este estudio, construimos con éxito un modelo de predicción multiómica basado en las características clínicas y patológicas de los pacientes con cáncer colorrectal para predecir la TMB, el MSI y la supervivencia del paciente. Los resultados mostraron que el modelo de predicción de TMB incluido en el MSI y el modelo de predicción de MSI incluido en los tres índices de TMB mostraron un alto poder en el conjunto de entrenamiento. Aunque los modelos de predicción de los genes NTRK y PIK3CA demostraron valores de AUC prometedores en el conjunto de entrenamiento, especialmente cuando se construyeron utilizando el método RF, su rendimiento en el conjunto de validación fue subóptimo, con baja sensibilidad y precisión. El pequeño tamaño de la muestra del conjunto de validación provocó una baja sensibilidad del modelo, lo que limita su rendimiento en las aplicaciones prácticas. Los estudios futuros deben ampliar el tamaño de la muestra, incorporar más características clínicas y mejorar aún más la precisión y la capacidad de generalización del modelo en combinación con una variedad de métodos de aprendizaje automático para proporcionar una mejor base para el desarrollo de planes de tratamiento clínicos. Además, se necesita una validación clínica prospectiva para evaluar la utilidad en el mundo real de estos modelos para guiar las decisiones de tratamiento. La incorporación de técnicas de aprendizaje profundo y marcos de aprendizaje federado también podría ayudar a capturar relaciones no lineales complejas al tiempo que se preserva la privacidad de los datos. En última instancia, el desarrollo de una herramienta de apoyo a la decisión basada en la web fácil de usar basada en estos modelos podría facilitar su adopción en la práctica clínica de rutina, especialmente en entornos con recursos limitados.