Según una investigación presentada en la Reunión Anual de 2026 de la Asociación Americana para la Investigación del Cáncer (AACR), celebrada del 17 al 22 de abril, un modelo de aprendizaje automático que analiza la metilación del ADN basada en CpG predijo con precisión el origen de muchos tipos diferentes de cáncer en pacientes con cánceres de origen desconocido (CUP).

Los CUP son neoplasias malignas metastásicas en las que no se ha podido identificar el sitio del cáncer primario.

Estos cánceres suelen asociarse con peores resultados, en parte porque las decisiones terapéuticas deben tomarse sin conocer el origen del cáncer, y los pacientes suelen ser tratados con regímenes de quimioterapia amplios y no específicos, en lugar de con terapias dirigidas a un tipo de cáncer concreto, según el ponente Marco A. De Velasco, doctor y miembro del cuerpo docente del Departamento de Biología Genómica de la Universidad de Kindai, en Japón.

«Solo entre el 15 % y el 20 % de los pacientes con CUP presentan características que permiten a los médicos tratarlos con terapias específicas para el sitio, las cuales se asocian con mejores resultados», explicó De Velasco.

«Sin embargo, la mayoría de los pacientes, entre el 80 % y el 85 %, reciben quimioterapia más general, que suele ser menos eficaz. Los pacientes que reciben terapia dirigida al sitio pueden sobrevivir hasta 24 meses, en comparación con los seis a nueve meses de aquellos que reciben el tratamiento estándar».

Los investigadores han estudiado si identificar el origen del cáncer mediante perfiles moleculares podría mejorar las decisiones terapéuticas.

Estos enfoques analizan patrones en la biología tumoral, como la actividad génica o las modificaciones químicas del ADN, que difieren entre los distintos tipos de cáncer y pueden persistir incluso después de que el cáncer se haya diseminado.

Aunque algunos métodos se han mostrado prometedores, no han demostrado claros beneficios en la supervivencia en los ensayos clínicos, según De Velasco.

En este estudio, De Velasco y sus colegas, entre los que se incluyen la coinvestigadora principal Kazuko Sakai, doctora, y el investigador principal Kazuto Nishio, doctor en Medicina y doctor, desarrollaron un nuevo enfoque centrado en la metilación del ADN CpG, un tipo de modificación química que se produce en las bases de ADN citosina y guanina.

De Velasco señaló que la metilación CpG actúa como una «huella dactilar» molecular para los diferentes tejidos del cuerpo. Mediante el análisis de estos patrones en muestras tumorales, los investigadores desarrollaron un modelo computacional capaz de distinguir entre 21 tipos diferentes de cáncer.

«En lugar de basarnos en conjuntos de datos grandes y complejos, nuestro objetivo fue identificar un conjunto de marcadores más pequeño y práctico que conservara un fuerte poder predictivo», afirmó De Velasco.

«El objetivo a largo plazo es crear una herramienta que pueda ayudar a los médicos a identificar el posible tejido de origen y contribuir a tomar decisiones terapéuticas más eficaces».

El modelo se desarrolló utilizando datos de metilación de casi 7500 pacientes con 21 tipos diferentes de cáncer, obtenidos del programa The Cancer Genome Atlas y otros conjuntos de datos públicos. Los datos se dividieron entre cohortes de entrenamiento y de prueba.

Los investigadores aplicaron el aprendizaje automático para identificar los sitios de metilación CpG en el ADN tumoral de la cohorte de entrenamiento y construir perfiles de metilación asociados a diferentes tipos de tumores.

Los resultados del estudio mostraron que el modelo identificó correctamente el tipo de cáncer en aproximadamente el 95 % de los casos de la cohorte de prueba, y mantuvo un alto rendimiento —con una precisión de alrededor del 87 %— cuando se aplicó a una cohorte de validación independiente de la institución de los investigadores, compuesta por 31 casos que representaban 17 tipos diferentes de cáncer.

«Uno de los hallazgos más importantes de nuestro estudio es que fuimos capaces de predecir con precisión el origen de muchos tipos diferentes de cáncer utilizando un subconjunto muy pequeño de marcadores de ADN, unas 1000 regiones CpG seleccionadas de entre cientos de miles en todo el genoma», afirmó De Velasco.

«Esto es importante porque demuestra que podemos simplificar datos moleculares complejos sin dejar de mantener un sólido rendimiento predictivo».

Para los pacientes con CUP, este modelo podría ayudar a los médicos a abandonar los enfoques de tratamiento basados en el método de prueba y error y, en su lugar, seleccionar terapias adaptadas al probable lugar de origen del cáncer, añadió.

«Nuestros hallazgos sugieren que los enfoques basados en el ADN pueden ayudar a identificar dónde puede haber comenzado un cáncer, incluso cuando el tumor original no es visible. Al utilizar un conjunto de marcadores mucho más reducido y específico, este enfoque podría hacer que este tipo de pruebas sean más prácticas y accesibles en el futuro», afirmó De Velasco.

«En general, consideramos esta investigación como parte de un esfuerzo más amplio por comprender mejor el cáncer mediante información molecular, con el objetivo de respaldar una atención más informada y personalizada en el futuro. Sin embargo, este trabajo se encuentra todavía en fase de investigación. A continuación, debemos evaluar el rendimiento de este enfoque en un análisis prospectivo de pacientes con cánceres de origen desconocido auténticos», añadió De Velasco.

Una limitación clave de este estudio es que el modelo se desarrolló utilizando cánceres de origen conocido, en lugar de CUP auténticos, lo que significa que el modelo debe someterse a pruebas en pacientes reales con CUP para comprender su rendimiento en entornos clínicos.

Otra limitación es que no todos los tumores son fácilmente accesibles para las pruebas genéticas, especialmente en el contexto de estadios avanzados.

Según De Velasco, un importante paso siguiente en esta investigación es adaptar y evaluar este modelo utilizando biopsias de sangre para analizar el ADN tumoral circulante, en lugar de basarse en el ADN de muestras de tejido.

Fuente: Asociación Americana para la Investigación del Cáncer