Integrative genomic, transcriptomic, and epigenomic theranostic biomarkers for patients with glioblastoma and triple negative breast cancer

Abstract

[eng] Cancer treatment has evolved significantly in the last decades and survival ha s increased steadily. However, the survival rate of aggressive cancers, such as Glioblastoma (GBM) or Triple Negative Breast Cancer (TNBC) has not substantially improved during this period due , in to the lack of targeted therapies and the absence of precision medicine biomarkers Immunotherapy has arisen as one of the most promising therapies for many cancers and ha s already been approved for the management of patients with TNBC. However, not all patients with TNBC respond to this treatment, and patients with GBM have a shockingly poor response. For this reason, in this thesis we have integrated in silico, in vitro, and ex vivo techniques to develop tools that can improve the clinical management of patients with GBM and TNBC , with a focus on the development of precision medicine tools and the improvement o f immunotherapy based therapy First , we integrated DNA m ethylation (DNAm) and gene expression data from patients with GBM to generate the iGlioSub , an integrative hybrid classifier that involves only 30 DNAm and gene expression features to accurately stratify GBM patients into molecular subtypes. This classifier showed higher accuracy than classifiers containing only DNAm or gene expression features Second , we employed DNAm data from patients with TNBC to identify four novel epigenetic subtypes, which we called EpiTypes . These groups displayed differences in clinical and molecular features, thus being potentially relevant for the administration of different therapies to each group Third , we analyzed the epigenetic profiles of patients of different races and ages with TNBC. We found that young African American patients, the group with the highest risk of suffering TNBC and with the highest mortality, displayed a unique DNAm landscape compared to older African American patients and White patients of all ages. Furthermore, we identified changes in pathways related to response to hormones and to a more basal phenotype in this group of patients and characterized a set of genes that are active on tumors from this group of patients . Fourth , we discovered and characterized a population of GBM stem cells that showed a high expression of embryonic markers (SOX2, POU5F1, NANOG) and lacked antigen presentation genes (HLA) W e called this population core Glioma Stem Cells (c GSCs)GSCs). We generated a model using induced Pluripotency Stem Cell (iPSC) technology in GBM derived cells, which recap itulates the phenotype of c GSCs and can X serve as a model to study the immune serve as a model to study the immune--evasive phenotype of cevasive phenotype of c--GSCs. GSCs. FifthFifth, we , we identified identified a splicing factor, PTBP1, which a splicing factor, PTBP1, which causescauses immune evasion in metastatic TNBC. High immune evasion in metastatic TNBC. High expression of PTBP1 expression of PTBP1 is related to poor response to immunotherapy, and the disruption is related to poor response to immunotherapy, and the disruption of PTBP1 in vitro reactivates HLA expression, thus increasing antigen presentation of PTBP1 in vitro reactivates HLA expression, thus increasing antigen presentation capacitycapacity and and priming cancerpriming cancer cells to the effects of the immune system. cells to the effects of the immune system. LastLast, we , we employed employed machine learning algorithms to create machine learning algorithms to create a classifier, called TNBCa classifier, called TNBC--ICI, ICI, which can which can predict repredict response to immunotherapy in patients with early TNBC. sponse to immunotherapy in patients with early TNBC. TNBCTNBC--ICI, which ICI, which employsemploys thethe expression of 37 genes, can efficiently predict expression of 37 genes, can efficiently predict the the response response of patients with of patients with TNBC TNBC to immunotherapyto immunotherapy--based treatments (based treatments (Area Under the Curve [Area Under the Curve [AUCAUC]]=0.86)=0.86), but has , but has a lower accuracy for patients with nona lower accuracy for patients with non--TNBC breast cancer (AUC: 0.72TNBC breast cancer (AUC: 0.72--0.75) and a poor 0.75) and a poor accuracy for patients with accuracy for patients with nonnon--breast tumors (median AUC=0.67).breast tumors (median AUC=0.67). In conclusion, the results In conclusion, the results of this thesis of this thesis advanceadvance the knowledge about the knowledge about GBM and TNBC GBM and TNBC biologybiology with a specific focus on the discovery and characterization of precision medicine with a specific focus on the discovery and characterization of precision medicine theranostic markerstheranostic markers. These results . These results can serve as a first step to establishcan serve as a first step to establishinging new guidelines new guidelines that improve the that improve the clinical management clinical management of patients with these aggressive tumorsof patients with these aggressive tumors..

[cat] El tractament del càncer ha evolucionat significativament a les darreres dècades, i la supervivència ha augmentat progressivament. Tot i així, el rati de supervivència a càncers agressius, com el Glioblastoma (GBM) o el Càncer de Mama Triple-Negatiu (TNBC), no ha augmentat substancialment durant aquest període degut, en part, a la mancança de teràpies dirigides i a l’absència de de biomarcadores per a la medicina de precisió. La immunoteràpia s’ha erigit com una de les teràpies més prometedores per molts càncers i ja ha estat aprovada per el tractament de pacients amb TNBC. No obstant, no totes les pacients amb TNBC responen a aquest tractament, i els pacients amb GBM tenen una resposta molt pobre. Per aquest motiu, a aquesta tesi hem integrat tècniques in silico, in vitro, i ex vivo per desenvolupar eines que puguin millorar la gestió clínica de pacients amb GBM i TNBC, amb un focus en el desenvolupament d’eines per a la medicina de precisió i la millora de teràpies basades en immunoteràpia. Primer, hem integrat dades de metilació de l’ADN (DNAm) i expressió gènica de pacients amb GBM per generar l’iGlioSub, un classificador integratiu híbrid que utilitza només 30 característiques de DNAm i expressió gènica per estratificar amb precisió els pacients de GBM en subtipus moleculars. Segon, hem emprat dades de DNAm de pacients amb TNBC per identificar quatres nous subtipus epigenètics, que hem anomenat EpiTypes. Aquests grups tenen diferències a nivell clínic i molecular, sent potencialment rellevants per l’administració de distintes teràpies a cada grup de pacients. Tercer, hem analitzat els perfils epigenètics de pacients de distintes races i edats amb TNBC. Hem trobat que les pacients joves afroamericanes, el grup amb major risc de patir TNBC i amb major mortalitat, presenten un perfil epigenètic únic comparat amb el de pacients afroamericanes majors i amb el de pacients blanques de qualsevol edat. A més, vam identificar canvis a vies relacionades amb la resposta a hormones i vam caracteritzar un conjunt de gens actius a tumors d’aquest grup de pacients. Quart, vam descobrir i caracteritzar una població de cèl·lules mare de GBM que presentaven una elevada expressió de marcadors embrionaris (SOX2, POU5F1, NANOG) i no expressaven gens de presentació d’antígens (HLA). Vam anomenar aquesta població core-Glioma Stem Cells (c-GSCs). Vam generar un model emprant tecnologia de cèl·lules mare pluripotents induïdes (iPSC) amb cèl·lules derivades de GBM, que recapitulen el fenotip de les c-GSCs XII i poden servir com un model per estudiar el fenotip immuno-evasor de les c-GSCs. Cinquè, vam identificar un factor d’splicing, PTBP1, que causa evasió immune a TNBC metàstic. Una alta expressió de PTBP1 està relacionada amb una falta de resposta a immunoteràpia, i la disrupció de PTBP1 reactiva l’expressió dels gens HLA, incrementant la capacitat de presentació d’antígens i sensibilitzant a les cèl·lules canceroses als efectes del sistema immune. Finalment, hem emprat algoritmes de machine learning per crear un classificador, anomenat TNBC-ICI, que prediu la resposta a immunoteràpia a pacients amb TNBC primerenc. TNBC-ICI, que utilitza l’expressió de 37 gens, pot predir eficaçment la resposta a immunoteràpia de pacients amb TNBC (àrea baix la corva [AUC]=0.86), però té una menor eficàcia a pacients amb càncer de mama distint a TNBC (AUC: 0.72-0.75) i una precisió pobre a pacients amb càncers distints al mamari (AUC mediana=0.67). En conclusió, els resultats d’aquesta tesi avancen el coneixement actual sobre la biologia de GBM i TNBC, amb un focus específic en el descobriment i caracterització de marcadors teranòstics per a medicina de precisió. Aquests resultats poden servir com una primera passa per establir noves guies que millorin els tractaments de pacients amb aquests tumors agressius.

[spa] El tratamiento del cáncer ha evolucionado significativamente en las últimas décadas, y la supervivencia ha aumentado gradualmente. Sin embargo, la tasa de supervivencia en cánceres agresivos como el Glioblastoma (GBM) o el Cáncer de Mama Triple-Negativo (TNBC) no ha aumentado sustancialmente durante este período debido, en parte, a la falta de terapias dirigidas y la ausencia de biomarcadores para medicina de precisión. La inmunoterapia ha surgido como una de las terapias más prometedoras para muchos cánceres y ya ha sido aprobada para el tratamiento de pacientes con TNBC. Sin embargo, no todas las pacientes con TNBC responden a este tratamiento, y los pacientes con GBM tienen una respuesta pobre. Por esta razón, en esta tesis hemos integrado técnicas in silico, in vitro y ex vivo para desarrollar herramientas que puedan mejorar la gestión clínica de pacientes con GBM y TNBC, con un enfoque en el desarrollo de herramientas para la medicina de precisión y la mejora de terapias basadas en inmunoterapia. Primero, hemos integrado datos de metilación del ADN (DNAm) y expresión génica de pacientes con GBM para generar iGlioSub, un clasificador integrativo híbrido que utiliza 30 características de DNAm y expresión génica para estratificar con precisión a los pacientes de GBM en subtipos moleculares. Segundo, hemos utilizado datos de DNAm de pacientes con TNBC para identificar cuatro nuevos subtipos epigenéticos, a los que llamamos EpiTypes. Estos grupos tienen diferencias a nivel clínico y molecular, siendo potencialmente relevantes para la administración de diferentes terapias a cada grupo de pacientes. Tercero, hemos analizado los perfiles epigenéticos de pacientes de diferentes razas y edades con TNBC. Hemos encontrado que las pacientes jóvenes afroamericanas, el grupo con mayor riesgo de padecer TNBC y con mayor mortalidad, presentan un perfil epigenético único en comparación con las pacientes afroamericanas mayores y las pacientes blancas de cualquier edad. Además, identificamos cambios en vías relacionadas con respuesta a hormonas y caracterizamos un conjunto de genes activos en estos tumores. Cuarto, descubrimos y caracterizamos una población de células madre de GBM que presentan una alta expresión de marcadores embrionarios (SOX2, POU5F1, NANOG) y no expresan genes de presentación de antígenos (HLA). Llamamos a esta población core-Glioma Stem Cells (c-GSCs). Generamos un modelo utilizando tecnología de células XIV madre pluripotentes inducidas (iPSC) con células derivadas de GBM, que recapitulan el fenotipo de las c-GSCs y pueden servir como un modelo para estudiar el fenotipo inmuno-evasor de las c-GSCs. Quinto, identificamos un factor de splicing, PTBP1, que causa evasión inmune en TNBC metastásico. Una alta expresión de PTBP1 está relacionada con la falta de respuesta a la inmunoterapia, y la disrupción de PTBP1 reactiva la expresión de genes HLA, aumentando la capacidad de presentación de antígenos y sensibilizando a las células cancerosas a los efectos del sistema inmunológico. Finalmente, utilizamos algoritmos de aprendizaje automático para crear un clasificador llamado TNBC-ICI, que predice la respuesta a la inmunoterapia en pacientes con TNBC en etapas tempranas. TNBC-ICI, que utiliza la expresión de 37 genes, puede predecir eficazmente la respuesta a la inmunoterapia en pacientes con TNBC (área bajo la curva [AUC] = 0.86), pero tiene una menor eficacia en pacientes con cáncer de mama distinto al TNBC (AUC: 0.72-0.75) y una precisión pobre en pacientes con cánceres distintos al mamario (AUC mediana = 0.67). En conclusión, los resultados de esta tesis avanzan en el conocimiento actual sobre la biología de GBM y TNBC, con un enfoque específico en el descubrimiento y caracterización de marcadores teranósticos para la medicina de precisión. Estos resultados pueden servir como un primer paso para establecer nuevas pautas que mejoren el tratamiento de pacientes con estos tumores agresivos.