Integración basada en aprendizaje automático de firmas génicas relacionadas con células T CD8 para una evaluación pronóstica integral en adenocarcinoma pulmonar

Antecedentes: El adenocarcinoma pulmonar (LUAD) es el subtipo histológico más prevalente del cáncer de pulmón, presentando heterogeneidad en los resultados y diversas respuestas a la terapia. Las células T CD8 están presentes de manera consistente a lo largo de todas las etapas del desarrollo tumoral y desempeñan un papel clave dentro del microambiente tumoral (TME). Nuestro objetivo fue investigar los perfiles de expresión de los genes marcadores de células T CD8, establecer un modelo de riesgo pronóstico basado en estos genes en LUAD, y explorar su relación con la respuesta a la inmunoterapia. Métodos: Aprovechando los datos de expresión y los registros clínicos de los cohorts de The Cancer Genome Atlas (TCGA) y Gene Expression Omnibus (GEO), identificamos 23 genes pronósticos de consenso. Empleando diez algoritmos de aprendizaje automático, generamos 101 combinaciones, seleccionando finalmente el algoritmo óptimo para construir una firma pronóstica derivada de inteligencia artificial denominada riskScore. Esta selección se basó en el índice de concordancia promedio (C-index) a través de tres cohorts de prueba. Resultados: RiskScore surgió como un factor de riesgo independiente para la supervivencia global (OS), el intervalo libre de progresión (PFI), el intervalo libre de enfermedad (DFI) y la supervivencia específica de la enfermedad (DSS) en LUAD. Notablemente, riskScore exhibió una precisión predictiva considerablemente superior en comparación con las variables clínicas tradicionales. Además, observamos una correlación positiva entre el grupo de alto riesgo de riskScore y funciones biológicas que promueven tumores, una menor carga mutacional tumoral (TMB), una menor carga de neoantígenos (NEO) y scores más bajos de inestabilidad de microsatélites (MSI), así como una reducción en la infiltración de células inmunitarias y una mayor probabilidad de evasión inmunológica dentro del TME. Es significativo que el score de inmunofenotipo (IPS) mostrara diferencias significativas entre los subgrupos de riesgo, y que riskScore estratificara efectivamente a los pacientes en el cohort de inmunoterapia IMvigor210 y GSE135222 según los resultados de su supervivencia. Además, identificamos fármacos potenciales que podrían dirigirse a subgrupos de riesgo específicos. Conclusiones: En resumen, riskScore demuestra su potencial como una herramienta robusta y prometedora para guiar la gestión clínica y adaptar tratamientos individualizados para pacientes con LUAD.