A pesar de los avances en las estrategias de diagnóstico y terapéuticas, el pronóstico de los pacientes con carcinoma de células escamosas de pulmón (CCEP) sigue siendo desfavorable, y el potencial de los biomarcadores pronósticos y las dianas terapéuticas basados en el microbioma sigue siendo en gran medida inexplorado. Los datos de pacientes con CCEP del The Cancer Genome Atlas (TCGA), incluidos los datos de abundancia a nivel de género microbiano y los datos de secuenciación de ARN (RNA-Seq), se utilizaron como conjunto de datos de entrenamiento. Otros dos conjuntos de datos independientes, GSE19188 y GSE157009, sirven como conjuntos de datos de validación. Se construyó un modelo de puntuación de riesgo (RS) basado en el microbioma mediante un análisis de regresión de Cox univariante combinado con el operador de contracción y selección menos absoluto (LASSO).
El carcinoma de células escamosas de pulmón (CCEP) es un subtipo histológico predominante del cáncer de pulmón de células no pequeñas (CPNPC), que representa una proporción significativa de los casos de cáncer de pulmón en todo el mundo. A pesar de los avances en los métodos de diagnóstico y tratamiento, los pacientes con CCEP se enfrentan a resultados desfavorables, con una tasa de supervivencia a cinco años inferior al 20% y una probabilidad del 33% de recurrencia local en los dos años siguientes. Esto subraya la necesidad urgente de nuevos biomarcadores pronósticos y dianas terapéuticas para mejorar los resultados de los pacientes.
Estudios recientes han destacado el impacto crítico del microentorno tumoral, incluidas las comunidades microbianas, en la iniciación y progresión del cáncer. Se ha descubierto que el microbioma humano, en particular el microbioma intestinal, afecta a la inflamación sistémica, las respuestas inmunitarias e incluso la eficacia de las terapias contra el cáncer. La disbiosis microbiana, un desequilibrio en las comunidades microbianas, se ha implicado en diversas neoplasias malignas, incluidos los cánceres colorrectal, gástrico y hepático.
Estos hallazgos sugieren que el microbioma puede modular el comportamiento tumoral a través de múltiples mecanismos, incluida la modulación del sistema inmunitario, la producción de metabolitos microbianos y la alteración del microentorno tumoral. En el contexto del cáncer de pulmón, el microbioma pulmonar es de particular interés. El pulmón, que antes se consideraba un entorno estéril, ahora se sabe que alberga una comunidad microbiana diversa. Las variaciones en el microbioma pulmonar se han relacionado con afecciones respiratorias crónicas y podrían influir en la patogénesis del cáncer de pulmón.
Se ha relacionado taxones microbianos específicos con vías inflamatorias que podrían contribuir a la iniciación y progresión del tumor. Por ejemplo, ciertas bacterias pueden desencadenar una inflamación crónica, un factor de riesgo reconocido para el cáncer. Además, los metabolitos microbianos como los ácidos grasos de cadena corta y los ácidos biliares secundarios pueden afectar a la proliferación celular, la apoptosis y los mecanismos de reparación del ADN.
A pesar del creciente reconocimiento del papel del microbioma en el cáncer, el impacto específico de las comunidades microbianas en el pulmón sobre el pronóstico del CCEP no se ha investigado a fondo. Dada la compleja interacción entre el microbioma y el sistema inmunitario del huésped, comprender la composición microbiana asociada al CCEP podría proporcionar información valiosa sobre los mecanismos que subyacen a la progresión del cáncer e identificar posibles biomarcadores para el pronóstico y dianas terapéuticas.
Este estudio tiene como objetivo identificar marcadores microbianos pronósticos en el CCEP mediante el análisis exhaustivo de la abundancia de géneros microbianos a nivel de género y los datos de RNA-Seq. Los investigadores plantearon la hipótesis de que géneros microbianos específicos están significativamente asociados con el pronóstico del CCEP y que la integración de estos marcadores microbianos con los datos de expresión de ARNm puede mejorar la precisión pronóstica de los modelos existentes.