El aprendizaje integrativo de máquinas identifica una firma génica relacionada con la lactilación pronóstica para la eficacia quimioterapéutica en carcinoma colorrectal.

La lactilación, una modificación post-traduccional recientemente descubierta, ha emergido como un regulador crítico en la biología del cáncer. Aunque la quimioterapia sigue siendo el tratamiento de primera línea para el cáncer colorrectal metastásico (CRC), solo una subconjunto de pacientes responde a ella.

Este estudio tuvo como objetivo identificar los genes relacionados con la lactilación clave en CRC y evaluar su potencial como biomarcadores predictivos de respuesta a la quimioterapia. Perfiles de expresión génica y datos clínicos correspondientes de pacientes con CRC se obtuvieron de The Cancer Genome Atlas (TCGA), Genotype-Tissue Expression (GTEx) y Gene Expression Omnibus (GEO). Los genes diferencialmente expresados (DEGs) fueron identificados utilizando el paquete R limma, y los módulos clave se seleccionaron a través del análisis de redes genómicas ponderadas por coexpresión (WGCNA). Los genes intersección fueron determinados alineando DEGs con genes de módulos WGCNA.

Se desarrolló un modelo predictivo utilizando 11 algoritmos de aprendizaje automático y 92 combinaciones de algoritmos.

Además, se investigó la correlación entre el puntaje del gen relacionado con la lactilación e la infiltración inmune así como la sensibilidad a los medicamentos en CRC con "CIBERSORT" y "oncoPredict". Se identificaron ocho genes relacionados con la lactilación en CRC y se utilizó para construir un modelo predictivo empleando algoritmos Random Forest (RF) y Gradient Boosting Machine (GBM). El modelo demostró una eficacia predictiva fuerte para la respuesta a la quimioterapia en pacientes con CRC. Utilizando los puntajes de genes lactilación, se estratificaron efectivamente a los pacientes en grupos de alta y baja puntuación, que mostraron patrones distintos en la infiltración celular inmune, perfil mutacional del tumor y respuesta a medicamentos antitumorales convencionales.

Notablemente, el grupo con alto puntaje de lactilación presentó una disminución en las características inmunes Treg y un aumento en la sensibilidad al 5-Fluorouracilo.

En resumen, nuestros hallazgos demuestran que el análisis impulsado por aprendizaje automático de biomarcadores de lactilación representa un enfoque prometedor para avanzar en la terapia personalizada y optimizar la gestión clínica en CRC.