Resumen de Nuevo algoritmo molecular para la clasificación del glioblastoma: correlato con los perfiles de expresión génica /
Nuevo algoritmo molecular para la clasificación del glioblastoma: correlato con los perfiles de expresión génica En los últimos años, y gracias al empleo de plataformas de análisis masivo de datos, se ha descrito la existencia de varios subtipos transcriptómicos de glioblastoma (GB) que definen subgrupos de pacientes con diferente supervivencia y respuesta a la terapia. Entre los distintos modelos de clasificación publicados, uno de los más referenciados es el de Verhaak y col, que divide los GB en los subtipos proneural (PRN), neural (NEU), clásico (CLS) y mesenquimal (MES). Además de diferencias en la expresión génica, estos subtipos muestran diferentes alteraciones moleculares tales como mutaciones en determinados genes o alteraciones en el número de copias. Las tecnologías que emplean estos estudios son muy complejas y costosas y no constituyen, a día de hoy, una herramienta accesible para la clasificación de los pacientes con GB en la práctica clínica diaria. El presente trabajo nace con el objetivo de comprobar si la clasificación transcriptómica podría reproducirse, de una manera más simple y económica, mediante el empleo combinado de algunas de las técnicas disponibles en los departamentos de anatomía patológica. Para ello hemos analizado, en una serie de 64 casos de GB, la expresión inmunohistoquímica (IHQ) de una serie de 11 marcadores (IDH1-R132H, p53, PTEN, CD44, Olig2, p16, D2-40, PDGFRA, vimentina-VIM, proteína glíal fibrilar ácida-PGFA y sinaptofisina-SINA), así como la amplificación de EGFR y PDGFRA mediante FISH y la existencia de la forma mutada EGFRvIII mediante RT-PCR. Con los datos obtenidos de estos análisis, hemos ensayado dos aproximaciones de clasificación. Por un lado, hemos aplicado una metodología de consensus clustering que nos ha permitido identificar tres subgrupos de GB (A, B y C) que remedan los subtipos PRN, CLS y MES de Verhaak, respectivamente. Por otro lado, hemos desarrollado un algoritmo de clasificación tipo “árbol de decisión” basado en el análisis secuencial de las mutaciones de IDH, la forma EGFRvIII, la amplificación de PDGFRA, la expresión IHQ de p53 y p16, la amplificación de EGFR y la expresión IHQ de D2-40 y CD44. Este “árbol de decisión” nos ha permitido distinguir tres subgrupos de GB (GB-P, GB-C y GB-M) que también remedan los subtipos PRN, CLS y MES, respectivamente. Los subgrupos GB-P, GB-C y GB-M presentan diferencias estadísticamente significativas en términos de supervivencia, de manera que los pacientes con GB subgrupo GB-C (el que remeda el subtipo CLS de Verhaak) tienen una supervivencia superior a la de los otros subgrupos. Además, la pertenencia al subgrupo GB-C constituye un factor de buen pronóstico, independientemente del tipo de cirugía, la edad y el índice de Karnofsky. Existe una asociación estadísticamente significativa entre los subgrupos de GB generados por nuestros dos modelos (el modelo de consensus clustering y el modelo de clasificación tipo “árbol de decisión”). A diferencia de las dificultades técnicas del modelo de consensus clustering, el algoritmo de clasificación tipo “árbol de decisión” constituiría una herramienta suficientemente precisa y de fácil implementación en la práctica diaria para la clasificación de los GB. Por último, en nuestras manos, la inmunorreactividad para sinaptofisina no constituye un dato suficientemente fiable como para considerarla un marcador del subtipo NEU de GB, el cual no creemos que exista en realidad.
