Resumen
Proyecto FIS financiado por ISCIII y coordinado entre el H12O y LAFE, en la que la colaboración de ITI es analizar los datos biológicos y clínicos de LMA (leucemia mieloide aguda) para encontrar variables que puedan ser utilizadas como biomarcadores. Posteriormente desarrollar un modelo predictivo para la respuesta a la terapia individual mediante técnicas de Machime Learning. Y finalmente evaluar el modelo contra diferentes cohortes de pacientes.
Descripción
La leucemia mieloide aguda (LMA) es el tipo de leucemia más común en adultos; en España se diagnostican 3000 casos al
año, de los cuales el 60% resultan fatales durante los primeros 3 años. La refractariedad al tratamiento de inducción y la
recaída después de alcanzar la remisión completa (RC) son las principales causas de muerte en LMA. Gracias a las ayudas
previas recibidas (proyectos coordinados PI13/02387-PI13/01640 y PI16/01530-PI16/0665) hemos observado que existen
ciertos perfiles mutacionales asociados a resistencia primaria y que no permiten realizar el trasplante alogénico.
En estudios previos, hemos detectado que la vía de Ras-Raf-MEK-ERK1/2 está sobreactivada en pacientes de LMA resistentes a
inhibidores tirosina quinasa (ITK) (PI16/01530) y que la combinación de ITK con inhibidores de MEK, como midostaurina con
trametinib, mejora la supervivencia en modelos in vivo. También hemos identificado hemos identificado un score de
detección de resistencias (PI16/01530) basada en el test de multirresistencia farmacológica ex vivo y el estudio mutacional
al diagnóstico que predice la supervivencia mejor que la clasificación ELN 2017. Además, hemos optimizado y publicado
(PI16/01530) un nuevo método de cuantificación de la enfermedad mínima residual (EMR) por NGS que predice la recaída
mejor que los métodos estándar (CMF, qPCR).
Los objetivos propuestos en este proyecto son:
- 1. Caracterizar los mecanismos de resistencia al tratamiento y desarrollar nuevas estrategias terapéuticas.
- 2. Identificación de biomarcadores de respuesta a los inhibidores de la tirosina quinasa y a la quimioterapia estándar.
- 3. Monitorización de la EMR por NGS.
- 4. Desarrollo de un modelo de aprendizaje automático para detección de resistentes y selección del tratamiento óptimo, un acercamiento a la medicina de precisión en la LMA.