La precisión de las terapias moleculares supera la capacidad diagnóstica de la biopsia convencional.

Los avances en oncología médica han creado un arsenal terapéutico de precisión atómica. Hoy disponemos de anticuerpos conjugados, como trastuzumab deruxtecan, que liberan quimioterapia citotóxica tras acoplarse a receptores específicos de membrana,1 de moléculas diseñadas para encajar en el bolsillo mutado de KRAS G12C, y linfocitos T reprogramados para rastrear neoantígenos en la superficie de cada célula maligna.2

A pesar de todos estos avances, el criterio clínico que rige estas terapias sigue anclado en métodos desarrollados hace más de un siglo. La rutina hospitalaria aún depende de cortes fijados en formol, teñidos con hematoxilina y eosina, y evaluados bajo luz visible en un microscopio óptico. La morfología es indispensable para delimitar bordes quirúrgicos y confirmar estirpes celulares. Sin embargo, resulta ciega ante los programas transcripcionales activos, la densidad cuantitativa de antígenos y las rutas metabólicas de resistencia.

Un corte histológico de cuatro micras no refleja la evolución clonal del tumor.

Un tumor no es un cúmulo estático de células idénticas: es un ecosistema darwiniano en constante mutación. Cuando el patólogo observa una laminilla de cuatro micras, examina una sección bidimensional de un único instante físico. En ese tejido conviven subclonas con sensibilidades farmacológicas distintas, vasos sanguíneos de permeabilidad irregular y poblaciones de linfocitos que no logran penetrar el estroma fibroso.

Clasificar ese ecosistema mediante una sola etiqueta histológica reduce la realidad biológica. Dos carcinomas de mama clasificados con el mismo grado histológico y la misma tinción de HER2 responden con frecuencia de manera opuesta al mismo régimen: uno entra en remisión duradera y el otro progresa en meses. La diferencia no radica en la forma geométrica de la célula, sino en su programa molecular interno y en la organización espacial de su microambiente.

Integrar transcriptómica espacial y genómica convierte el tejido en un mapa computable.

Para igualar la sofisticación de los fármacos modernos, la patología debe volverse multimodal. No alcanza con describir la morfología visual ni sirve secuenciar tejido triturado a granel en un tubo de ensayo, donde se pierde la arquitectura física que separa a las células inmunitarias de las células tumorales.

La patología digital combinada con transcriptómica espacial y secuenciación de genoma completo convierte el tejido en un mapa computable.3, 4 Permite cuantificar cuántas moléculas diana expresa cada célula, a qué distancia se sitúan los linfocitos efectores del frente invasor y qué clones albergan mutaciones de escape. El informe anatomopatológico deja de ser una descripción cualitativa en texto libre: se transforma en un perfil estructurado y accionable.

Vincular el perfil molecular con la evolución clínica convierte cada tratamiento en evidencia acumulativa.

La verdadera medicina de precisión no culmina con la entrega de un informe de laboratorio. Exige vincular la caracterización biológica del tumor con el fármaco administrado y la evolución clínica del paciente a lo largo del tiempo.

Esa cadena suele encontrarse fragmentada: los bloques de tejido permanecen en archivos hospitalarios, las imágenes se almacenan en servidores aislados y el historial médico se dispersa en notas clínicas sin estructurar. Al articular biobancos criogénicos, patología digital sistemática y seguimiento longitudinal, cada tratamiento se convierte en evidencia clínica acumulativa. Tratamos al paciente con la máxima resolución biológica y producimos los datos estructurados que entrenarán los modelos predictivos del futuro.

Referencias

  1. Modi S, Jacot W, Yamashita T, et al. Trastuzumab Deruxtecan in Previously Treated HER2-Low Advanced Breast Cancer. N Engl J Med. 2022;387(1):9-20. doi:10.1056/NEJMoa2203690
  2. Jänne PA, Riely GJ, Gadgeel SM, et al. Adagrasib in Non–Small-Cell Lung Cancer Harboring a KRASG12C Mutation. N Engl J Med. 2022;387(2):120-131. doi:10.1056/NEJMoa2204619
  3. Chen RJ, Lu MY, Williamson DFK, et al. Pan-cancer integrative histology-genomic analysis via multimodal deep learning. Cancer Cell. 2022;40(8):865-878.e6. doi:10.1016/j.ccell.2022.07.004
  4. Vandereyken K, Sifrim A, Thienpont B, Voet T. Methods and applications for single-cell and spatial multi-omics. Nat Rev Genet. 2023;24(8):494-515. doi:10.1038/s41576-023-00580-2