A pesar de los esfuerzos realizados para mejorar el tratamiento de pacientes con glioblastoma (GBM), la heterogeneidad en la presentación de la enfermedad y, más notablemente a nivel molecular, ha resultado en mejoras poco significativas. Existe, por lo tanto, una necesidad imperiosa de identificar mejores sistemas de estratificación y nuevas alternativas terapéuticas para pacientes con GBM. En la era de la oncología de la precisión, la integración de datos moleculares con el aprendizaje automatizado ha comenzado a proporcionar pautas más racionales para tratamientos personalizados. Nuestros estudios han identificado un subconjunto de pacientes con activación inusual de elementos reguladores genómicos, incluyendo ‘enhancers’ y ‘silencers’, que controlan redes de genes altamente perjudiciales para el control del GBM. Sin embargo, aunque estas estrategias mejoradas para tratar pacientes con GBM basadas en base a una evaluación holística del tumor, el microambiente y el propio genoma del paciente, prometen cambiar los paradigmas de tratamientos actuales, todavía existen limitaciones importantes para su utilidad clínica. Para contribuir a la translación de estos avances, nuestra propuesta se ha organizado en tres objetivos específicos: 1- Generar modelos integrales para sub-clasificar GBM, 2- modular terapéuticamente elementos reguladores genómicos asociados al comportamiento agresivo de GBM, y 3- validar ensayos para la estratificación de pacientes que pueden emplearse en entornos clínicos de rutina. Metodológicamente, este proyecto reúne herramientas de bioinformática, algoritmos de aprendizaje automático, predicción de terapias mediante biología de sistemas, la edición del genoma mediante CRISPR-Cas9 y la validación en cohortes de pacientes. El objetivo final de esta propuesta es la generación de herramientas de diagnóstico e identificación de dianas terapéuticas que puedan mejorar significativamente el tratamiento de pacientes con GBM.

Glioblastoma
Medicina de precisión
Epigenética
Aprendizaje automatizado
Transcriptómica
CRISPR-Cas9