Novo Algoritmo Identifica Tumores Com Maior Risco de Espalhar Pelo Corpo

Pesquisadores desenvolveram um novo modelo de inteligência artificial capaz de prever o risco de metástase analisando a atividade de genes em células tumorais. Para isso, estudaram células individuais de tumores de intestino cultivadas em laboratório e identificaram padrões genéticos ligados à capacidade de disseminação do câncer. Esses padrões foram usados para treinar o sistema MangroveGS, que demonstrou alta precisão na previsão de recorrência e metástases em vários tipos de câncer. O método pode ajudar médicos a identificar pacientes com maior risco e adaptar melhor as estratégias de tratamento.

Uma das maiores dúvidas da medicina é entender por que alguns tumores se comportam de forma relativamente controlada, enquanto outros se espalham pelo corpo e se tornam muito mais perigosos. Às vezes, dois tumores aparentemente parecidos, até mesmo no mesmo paciente, podem ter evoluções completamente diferentes. 

Um deles pode ser removido com cirurgia e nunca mais causar problemas. Já outro pode liberar células cancerígenas para o organismo antes mesmo do diagnóstico, formando novos tumores em órgãos distantes. Esse processo é chamado de metástase e é responsável pela maioria das mortes por câncer, especialmente no câncer de intestino.

Para melhorar o tratamento dos pacientes, os médicos tentam prever quais tumores têm maior probabilidade de se espalhar. No entanto, os métodos atuais de previsão muitas vezes são baseados apenas no tamanho do tumor, na aparência das células ao microscópio ou em algumas alterações genéticas conhecidas. 

Essas estratégias nem sempre refletem o comportamento real das células tumorais. Por isso, cientistas estão buscando novas maneiras de entender melhor o que torna algumas células cancerígenas mais capazes de migrar e formar novos tumores.

Neste estudo, os pesquisadores investigaram algo chamado potencial metastático, que é a probabilidade de uma célula cancerígena sair do tumor original e iniciar um novo tumor em outra parte do corpo. Estudos anteriores já sugeriam que nem todas as células de um mesmo tumor têm o mesmo potencial de se espalhar. Algumas parecem muito mais “viajantes” do que outras. Isso significa que mesmo dentro de um único tumor existe uma grande diversidade de comportamentos celulares.

Para estudar essas diferenças de maneira detalhada, os cientistas utilizaram amostras de tumores de intestino retirados de pacientes. A partir dessas amostras, eles isolaram células individuais e cultivaram cada uma delas separadamente em laboratório.

Cada célula deu origem a um pequeno grupo de células geneticamente relacionadas, chamado de clone. Como cada clone surgiu de apenas uma célula original, os pesquisadores puderam comparar como diferentes células do mesmo tumor se comportavam.

Em seguida, os cientistas analisaram quais genes estavam ativos em cada clone. Genes são instruções presentes no DNA que orientam o funcionamento das células. Ao medir a atividade de milhares de genes ao mesmo tempo, os pesquisadores puderam observar padrões associados ao potencial de disseminação das células. 

Eles descobriram um grupo de genes cuja atividade aumentava ou diminuía gradualmente conforme o potencial metastático das células ficava mais alto. Esses genes funcionavam como um “termômetro biológico” que indicava o risco de disseminação do câncer.

Os resultados também mostraram que as células tumorais podem existir em diferentes estados celulares, que representam modos distintos de funcionamento dentro do tumor. Esses estados não são fixos: as células podem mudar de um estado para outro ao longo do tempo. Os pesquisadores identificaram conjuntos específicos desses estados celulares que parecem estar associados ao aumento da capacidade de migração e disseminação das células cancerígenas.

Depois de identificar esses padrões genéticos e celulares, os cientistas deram o próximo passo: criar uma ferramenta capaz de prever o risco de metástase em pacientes reais. Para isso, eles desenvolveram um modelo de inteligência artificial chamado MangroveGS. Esse sistema analisa conjuntos de genes identificados no estudo e calcula a probabilidade de um tumor voltar a crescer ou se espalhar para outras partes do corpo.

Para testar se o modelo realmente funcionava, os pesquisadores aplicaram o sistema em grandes bancos de dados com informações genéticas de pacientes com diferentes tipos de câncer. O modelo foi capaz de prever com grande precisão quais pacientes tinham maior risco de recorrência da doença ou formação de metástases. Além do câncer de intestino, o método também mostrou bons resultados em cânceres de pâncreas, pulmão, estômago, bexiga, colo do útero e possivelmente mama e próstata.

De forma geral, o estudo sugere que muitos tipos de câncer podem compartilhar um mecanismo biológico semelhante que controla a capacidade das células de se espalhar pelo corpo. Ao identificar esse mecanismo e traduzi-lo em um modelo de inteligência artificial, os pesquisadores criaram uma ferramenta promissora para prever o comportamento do câncer e ajudar médicos a escolher tratamentos mais adequados para cada paciente.

READ MORE:

Emergence of high-metastatic potentials and prediction of recurrence and metastasis 

Aravind Srinivasan, Arwen Conod, Yann Tapponnier, Marianna Silvano, Luca Dall’Olio, Céline Delucinge-Vivier, Isabel Borges-Grazina, and Ariel Ruiz i Altaba

Cell Reports. Volume 45, Issue 1116834January 27, 2026

DOI: 10.1016/j.celrep.2025.116834

Abstract:

What makes a cancer highly metastatic is not known. Here, we inquire on the metastatic potential (MP) of tumor cells, which reflects their probability to emigrate from the primary tumor to new sites to form secondary cancers. We determine the transcriptomic landscapes of single-cell-derived clones in hybrid EMT space and define metastatic potential gradient genes (MPGGs) that linearly track MP strength. Perturbation of selected MPGGs and linked processes reveals a dynamic cellular and molecular framework of what we define as “cell-state ensembles” underlying the emergence of high MPs. To test if MPGGs predict cancer recurrence, we build the MangroveGS machine-learning model with “gene signature ensembles”: MangroveGSMPGGs robustly predicts patient tumor recurrence and metastases, outperforms all other signatures and staging systems tested, and can be extended to multiple cancer types of epithelial nature. Our findings uncover an unsuspected shared strategy for the onset of metastases that underlies clinical outcome.