Investigadores de Geneseeq y una red de hospitales académicos chinos han validado un análisis de sangre que puede detectar una amplia gama de cánceres con alta precisión utilizando ADN fetal libre. Una prueba de detección temprana de múltiples cánceres (MCED) identificó el cáncer con una sensibilidad del 87,4 % y una especificidad del 97,8 % en una cohorte de validación independiente, y predijo correctamente el tejido de origen en aproximadamente el 83 % de los casos.
por Justin Jackson , Phys.org
La detección temprana sigue siendo un desafío crucial en la atención oncológica. Las herramientas de cribado actuales contribuyen a diagnósticos tardíos y malos resultados, especialmente en cánceres que carecen de protocolos de cribado establecidos.
El ADN libre de células (cfDNA) que circula en el torrente sanguíneo, liberado por los tumores, se ha convertido en un objetivo prometedor para la detección no invasiva. La sensibilidad para los cánceres en etapa temprana y menos comunes se ha mantenido baja; sin embargo, la naturaleza no invasiva de las pruebas las convierte en un área de mejora atractiva.
En el estudio, «Detección temprana de múltiples tipos de cáncer usando fragmentomía de ADN libre de células multidimensional», publicado en Nature Medicine , los investigadores diseñaron un análisis de sangre basado en la secuenciación del genoma completo para detectar señales de cáncer y predecir el tejido de origen utilizando modelos de aprendizaje automático entrenados en patrones de fragmentación de cfDNA.
El entrenamiento retrospectivo del modelo utilizó datos de 3076 pacientes con cáncer y 3477 controles sin cáncer. La validación incluyó una cohorte interna de 1746 participantes y una cohorte independiente de 1465. Un análisis prospectivo en curso incluyó a 3724 personas asintomáticas en dos centros médicos chinos.
Los investigadores analizaron ADN libre de células derivado del plasma utilizando secuenciación del genoma completo de baja cobertura.
Las muestras se procesaron mediante un protocolo doble ciego, en el que los analistas de datos y los equipos clínicos desconocían por separado los resultados clínicos y moleculares. Los datos de secuenciación se introdujeron en dos clasificadores de aprendizaje automático supervisado: uno entrenado para identificar la presencia de una señal de cáncer y el otro para inferir el tejido de origen.
Ambos modelos se basaron en características fragmentomísticas multidimensionales, incluido el tamaño de los fragmentos de ADNc, la variación del número de copias, el posicionamiento de los nucleosomas y los perfiles de metilación inferidos.
Los procesos bioinformáticos se estandarizaron en todas las fases. El entrenamiento y la calibración del modelo se realizaron antes del inicio de la validación, utilizando un algoritmo fijo para evitar variaciones en el rendimiento. Todas las etapas de secuenciación y análisis se llevaron a cabo utilizando los mismos procedimientos de laboratorio, independientemente de la cohorte o el estado de la enfermedad.
En la cohorte de validación independiente, la prueba alcanzó una sensibilidad del 87,4 % y una especificidad del 97,8 %. La sensibilidad para cánceres en estadio temprano fue del 79,3 % para el estadio I y del 86,9 % para el estadio II. La sensibilidad alcanzó el 100 % para cáncer de hígado y vías biliares, el 94,5 % para pulmón, el 90,5 % para ovario y el 82,3 % para colorrectal. La sensibilidad para cáncer de páncreas fue del 76,9 %, incluyendo un 58,3 % para el estadio I.
La predicción del tejido de origen en la misma cohorte fue precisa en el 83,5 % de los casos según la predicción de mayor rango y en el 91,7 % cuando se consideraron las dos predicciones más probables.
En la cohorte prospectiva de Jinling, compuesta por 3724 personas asintomáticas, se identificaron 43 casos de cáncer en un año. La prueba detectó el 53,5 % de estos casos, con una especificidad del 98,1 %. La sensibilidad para los 13 tipos de cáncer estudiados fue del 62,1 %. El valor predictivo positivo fue del 25 % y el valor predictivo negativo, del 99,4 %. La precisión del tejido de origen en esta cohorte fue del 63,2 % para la predicción de mayor rango y del 89,5 % al considerar las dos primeras.
Casi la mitad de los cánceres detectados por la prueba no se identificaron mediante pruebas de detección estándar ni exámenes físicos. La alta sensibilidad para cánceres que suelen identificarse en etapas tardías de la enfermedad, como el de hígado, ovario y páncreas, es sumamente convincente, y la predicción del origen tisular añade mayor relevancia clínica para el tratamiento temprano.
Los investigadores concluyen que los resultados de la validación «… indican que la prueba MCED tiene un gran potencial para mejorar la detección temprana del cáncer y respaldar la toma de decisiones clínicas».
Más información: Hua Bao et al., Detección temprana de múltiples tipos de cáncer mediante fragmentomía multidimensional de ADN libre de células, Nature Medicine (2025). DOI: 10.1038/s41591-025-03735-2
Leyenda: Localizaciones de los 43 casos de cáncer en la cohorte de Jinling, indicando el número de casos y el porcentaje del total de casos detectados por la prueba MCED para cada tipo de cáncer. Crédito: Nature Medicine (2025). DOI: 10.1038/s41591-025-03735-2
