Análisis integrativo de variantes genéticas en cáncer hepático usando enfoques de aprendizaje automático

1. Introducción

El carcinoma hepatocelular (HCC, por sus siglas en inglés) representa aproximadamente el 75–85 % de los casos de cáncer hepático y es la tercera causa de muerte por cáncer a nivel mundial [1,2]. En América Latina, y particularmente en el Perú, la incidencia se ha incrementado en las últimas dos décadas, asociada a la infección crónica por los virus de la hepatitis B y C, al consumo de alcohol y a la creciente prevalencia de enfermedad hepática grasa no alcohólica [3].

La heterogeneidad molecular del HCC constituye uno de los principales obstáculos para el desarrollo de terapias dirigidas. Estudios de secuenciación a gran escala, como los del consorcio The Cancer Genome Atlas (TCGA), han descrito alteraciones recurrentes en genes como TP53, CTNNB1, AXIN1 y en el promotor de TERT [4,5]. Sin embargo, la traducción de estas alteraciones en herramientas útiles para la práctica clínica sigue siendo limitada, en parte porque los enfoques estadísticos clásicos no capturan adecuadamente las interacciones no lineales entre miles de variables moleculares.

Los métodos de aprendizaje automático ofrecen una alternativa para integrar datos de alta dimensionalidad y construir modelos predictivos a partir de ellos [6,7]. En este trabajo proponemos un flujo integrativo que combina datos de variantes somáticas, expresión génica y variables clínicas para (i) clasificar muestras tumorales y no tumorales, (ii) predecir supervivencia a tres años y (iii) identificar el conjunto mínimo de genes con mayor poder predictivo, con énfasis en la interpretabilidad de los modelos.

2. Materiales y métodos

2.1. Fuente de datos y cohorte

Se descargaron los datos del proyecto TCGA-LIHC a través del portal GDC (Genomic Data Commons, versión 38) [4]. La cohorte final incluyó 423 muestras: 373 tumores primarios y 50 tejidos hepáticos adyacentes no tumorales. Para cada muestra se obtuvieron (a) llamadas de variantes somáticas en formato MAF generadas con MuTect2, (b) matrices de conteos de RNA-Seq (HTSeq) y (c) información clínica, incluyendo estadio, edad, sexo, etiología y tiempo de supervivencia. Las características de la cohorte se resumen en la Tabla 1.

2.2. Preprocesamiento e integración

Las variantes somáticas se filtraron conservando únicamente aquellas con impacto funcional moderado o alto según la anotación de VEP (missense, nonsense, frameshift y splice-site). Se construyó una matriz binaria gen × muestra (1 = gen mutado). Los conteos de RNA-Seq se normalizaron mediante el método de la mediana de razones implementado en DESeq2 y se transformaron con vst() [8]. Se retuvieron los 5 000 genes con mayor varianza. Finalmente, las tres fuentes de datos se concatenaron en una matriz integrada de 5 417 variables por muestra, estandarizada por columna (media 0, desviación estándar 1). El flujo completo se muestra en la Figura 1.

2.3. Modelos de aprendizaje automático

Se evaluaron cuatro algoritmos implementados en Scikit-Learn 1.5 [9]: regresión logística con regularización L1, máquinas de vectores de soporte con kernel radial (SVM-RBF), random forest (500 árboles) y gradient boosting (XGBoost 2.0). La selección de características se realizó en dos etapas: (1) filtrado por prueba de Mann-Whitney (FDR < 0,01) y (2) eliminación recursiva de características (RFE) con validación cruzada. Los hiperparámetros se optimizaron mediante búsqueda bayesiana (Optuna) con validación cruzada estratificada de 5 pliegues, repetida 3 veces.

2.4. Evaluación e interpretabilidad

El rendimiento se midió con exactitud, precisión, sensibilidad, F1 y área bajo la curva ROC (AUC) sobre un conjunto de prueba independiente (30 % de las muestras, estratificado por clase). La contribución de cada variable se cuantificó mediante valores SHAP [10]. Para la predicción de supervivencia a tres años se utilizó el mismo esquema con la variable de desenlace binarizada. Todo el código se ejecutó en Python 3.11 y está disponible en el material suplementario.

3. Resultados

3.1. Estructura de los datos integrados

El análisis de componentes principales sobre la matriz integrada separó claramente las muestras tumorales de las no tumorales a lo largo del primer componente, que explicó el 31,4 % de la varianza (Figura 2). Dentro de los tumores se observó un gradiente asociado al estadio clínico y a la presencia de mutaciones en CTNNB1, lo que sugiere subgrupos moleculares con perfiles de expresión diferenciados.

3.2. Rendimiento de los modelos

Los cuatro algoritmos alcanzaron un rendimiento elevado en la tarea de clasificación tumor/normal, con AUC entre 0,89 y 0,94 (Tabla 2). El modelo de gradient boosting obtuvo el mejor balance entre sensibilidad (0,93) y precisión (0,91). En la tarea de predicción de supervivencia a tres años, más exigente, random forest y gradient boosting superaron a los modelos lineales (AUC 0,81 frente a 0,72), lo que evidencia la presencia de interacciones no lineales entre variables moleculares y clínicas. Las curvas ROC se muestran en la Figura 3.

3.3. Genes con mayor poder predictivo

La eliminación recursiva de características redujo el espacio inicial de 5 417 variables a un conjunto de 27 genes sin pérdida significativa de rendimiento (ΔAUC < 0,01). El análisis SHAP (Figura 4) destacó la expresión de GPC3, AFP y CDKN3, junto con el estado mutacional de TP53 y CTNNB1, como las variables de mayor contribución (Tabla 3). Cabe resaltar que 11 de los 27 genes no habían sido reportados previamente como marcadores pronósticos en HCC, lo que abre oportunidades para su validación experimental.

4. Discusión

Nuestros resultados confirman que la integración de datos genómicos, transcriptómicos y clínicos mejora la capacidad predictiva respecto al uso de una única capa de información, en concordancia con trabajos previos en otros tipos de cáncer [6,11]. La superioridad de los modelos basados en árboles en la predicción de supervivencia sugiere que las relaciones entre marcadores moleculares y desenlace clínico son marcadamente no lineales, un aspecto que los modelos de riesgo tradicionales, como el índice de Cox, no capturan por completo.

La firma de 27 genes identificada incluye marcadores bien establecidos del HCC, como GPC3 y AFP [12], lo que respalda la validez biológica del enfoque. Al mismo tiempo, la aparición de genes no reportados, varios de ellos relacionados con el metabolismo de lípidos y la respuesta inmune, es coherente con la creciente evidencia sobre el papel del microambiente tumoral en la progresión del HCC.

Este estudio presenta limitaciones. En primer lugar, la cohorte de TCGA está compuesta mayoritariamente por pacientes de ascendencia europea y asiática, por lo que la generalización a poblaciones latinoamericanas requiere validación en cohortes locales. En segundo lugar, el número de muestras no tumorales es reducido, lo que podría sobreestimar el rendimiento de la clasificación tumor/normal. Finalmente, la predicción de supervivencia se abordó como un problema de clasificación binaria; modelos de supervivencia basados en aprendizaje automático podrían aprovechar mejor la información temporal.

5. Conclusiones

Presentamos un flujo integrativo y reproducible que combina variantes somáticas, expresión génica y variables clínicas para la caracterización molecular del cáncer hepático. Los modelos de aprendizaje automático, en particular los basados en árboles, permiten identificar firmas compactas con alto poder predictivo e interpretables mediante valores SHAP. La firma de 27 genes propuesta constituye un punto de partida para el desarrollo de herramientas de estratificación de pacientes y para estudios de validación en cohortes peruanas y latinoamericanas.

Agradecimientos

Financiamiento

Conflicto de intereses

Referencias

1. Sung H, Ferlay J, Siegel RL, et al. Global cancer statistics 2020: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries. CA Cancer J Clin. 2021;71(3):209–249.
2. Llovet JM, Kelley RK, Villanueva A, et al. Hepatocellular carcinoma. Nat Rev Dis Primers. 2021;7:6.
3. Ruiz E, Rojas Rojas T, Berrospi F, et al. Hepatocellular carcinoma surgery outcomes in the developing world: a 20-year retrospective cohort study at the National Cancer Institute of Peru. Heliyon. 2016;2(1):e00052.
4. The Cancer Genome Atlas Research Network. Comprehensive and integrative genomic characterization of hepatocellular carcinoma. Cell. 2017;169(7):1327–1341.
5. Schulze K, Imbeaud S, Letouzé E, et al. Exome sequencing of hepatocellular carcinomas identifies new mutational signatures and potential therapeutic targets. Nat Genet. 2015;47(5):505–511.
6. Kourou K, Exarchos TP, Exarchos KP, et al. Machine learning applications in cancer prognosis and prediction. Comput Struct Biotechnol J. 2015;13:8–17.
7. Chaudhary K, Poirion OB, Lu L, Garmire LX. Deep learning-based multi-omics integration robustly predicts survival in liver cancer. Clin Cancer Res. 2018;24(6):1248–1259.
8. Love MI, Huber W, Anders S. Moderated estimation of fold change and dispersion for RNA-seq data with DESeq2. Genome Biol. 2014;15:550.
9. Pedregosa F, Varoquaux G, Gramfort A, et al. Scikit-learn: machine learning in Python. J Mach Learn Res. 2011;12:2825–2830.
10. Lundberg SM, Lee SI. A unified approach to interpreting model predictions. Adv Neural Inf Process Syst. 2017;30:4765–4774.
11. Huang S, Chaudhary K, Garmire LX. More is better: recent progress in multi-omics data integration methods. Front Genet. 2017;8:84.
12. Zhou F, Shang W, Yu X, Tian J. Glypican-3: a promising biomarker for hepatocellular carcinoma diagnosis and treatment. Med Res Rev. 2018;38(2):741–767.

Material suplementario