Modelizar la huella mecánica del glioblastoma multiforme
El GBM es el subtipo de glioma más frecuente y maligno, además de tener un pronóstico funesto. Muestra una gran heterogeneidad en cuanto a fenotipos de crecimiento macroscópico y características biológicas: desde tumores nodulares con bordes bien formados, hasta tumores con diversos grados de infiltración en tejido sano. El crecimiento del GBM a menudo comprime el tejido circundante y produce estrés mecánico, lo que aumenta la presión intracraneal y deteriora la función neurológica. Al mismo tiempo, esto desencadena cambios en el microentorno del tumor que aumentan la agresividad del GBM.
Modelizar el crecimiento del GBM
El proyecto GlimS tenía como objetivo estudiar el papel de las fuerzas biomecánicas generadas por el crecimiento del GBM. Para ello, los científicos desarrollaron un marco para estimar las características tumorales a partir de un único conjunto de datos preoperatorio de IRM. La investigación se llevó a cabo con el respaldo del programa de Acciones Marie Skłodowska-Curie (MSC) en la Universidad de Berna (Suiza), en colaboración con el Instituto de Investigación Beckman (Estados Unidos). «Empleé la modelización inversa para calcular las características de crecimiento macroscópico del GBM a partir de IRM clínicas rutinarias», explica Daniel Abler, beneficiario de una beca de investigación Marie Skłodowska-Curie (MSC). Abler trabajó partiendo de la premisa de que el crecimiento infiltrativo del GBM puede describirse matemáticamente como un proceso de reacción-difusión y que un aumento en la concentración de células tumorales locales genera un crecimiento volumétrico que a su vez produce estrés mecánico en el tejido. Medir las características del crecimiento del GBM resultó ser todo un reto, pues la anatomía del encéfalo sano de un paciente (la situación previa a la invasión del tumor) suele ser desconocida. Cuando se realiza el diagnóstico, el impacto mecánico del tumor, conocido como medicine (efecto masa), puede haber alterado ya las estructuras encefálicas. Para ello, Abler reconstruyó la evolución pasada del tumor en el encéfalo del paciente a partir de las imágenes obtenidas en el momento del diagnóstico.
Poner a prueba el marco de modelización de GlimS
El equipo científico aplicó el método de modelización inversa desarrollado a las imágenes preoperatorias de pacientes diagnosticados con GBM para obtener estimaciones específicas de cada paciente de los parámetros de crecimiento tumoral. Después, compararon la forma tumoral simulada, la distribución de las células tumorales y la deformación tisular simulada con la evaluación preoperatoria por IRM. Según Abler: «Nuestro método de modelización inversa nos permitió diferenciar distintas regiones tumorales, aproximar los bordes de los tumores y reproducir de forma cualitativa la deformación del tejido sano producida por el tumor». Cabe destacar que el método de GlimS ofrece información adicional no disponible a partir de IRM: al simular el crecimiento del GBM, proporciona estimaciones resueltas espacialmente de la densidad de células tumorales y el estrés mecánico producido por el tumor. La herramienta de GlimS permite una cuantificación detallada no invasiva de las fuerzas biomecánicas macroscópicas que actúan durante el crecimiento tumoral. Desde una perspectiva fundamental, esto mejorará nuestro conocimiento de las consecuencias clínicas que plantean estas fuerzas producidas por tumores y permitirá profundizar en la investigación sobre el papel que tienen los distintos fenotipos de crecimiento del GBM en el resultado clínico. Entre las actividades futuras del equipo de GlimS está la correlación entre las características de crecimiento predichas por el modelo y los datos clínicos, que allanará el camino hacia la identificación de biomarcadores del GBM basada en datos mecánicos. Dado el pronóstico extremadamente funesto del GBM, estos biomarcadores podrían ayudar a estratificar más a los pacientes y a tomar decisiones de tratamiento más informadas.
Palabras clave
GlimS, GBM, IRM, modelización inversa, glioblastoma multiforme, crecimiento tumoral, cáncer encefálico, fuerzas biomecánicas, estrés mecánico, biomarcadores pronósticos