Analisi di espressione di microRNA in Tumore a Cellule Giganti: identificazione dei target con ruolo di potenziali biomarcatori

Il Tumore a Cellule Giganti dell’osso (TCG) è una rara neoplasia che rappresenta il 5% dei tumori di natura ossea; sebbene venga considerato un tumore a decorso benigno può manifestare caratteri di aggressività locale dando origine a recidive locali nel 10-25% dei casi, e nel 2-4% dei casi metastatizza a livello polmonare. In questo studio è stata valutata l’espressione dei miRNA mediante miRNA microarray in 10 pazienti affetti da TCG, 5 con metastasi e 5 liberi da malattia; sono stati riscontrati miRNA differenzialmente espressi tra i 2 gruppi di pazienti e la successiva validazione mediante Real Time PCR ha confermato una differenza significativa per il miR-136 (p=0.04). Mediante analisi bioinformatica con il software TargetScan abbiamo identificato RANK e NF1B come target del miR-136 e ne abbiamo studiato l’espressione mediante Real Time PCR su una più ampia casistica di pazienti affetti da TCG, metastatico e non, evidenziando una maggior espressione di NF1B nel gruppo di pazienti metastatici, mentre RANK non ha dimostrato una differenza significativa. L’analisi di Western Blot ha rilevato una maggiore espressione di entrambe le proteine nei pazienti metastatici rispetto ai non metastatici. Successivamente è stato condotto uno studio di immunoistochimica su TMA di 163 campioni di pazienti affetti da TCG a diverso decorso clinico che ha dimostrato una maggiore e significativa espressione di entrambe i target nei pazienti con metastasi rispetto ai non metastatici; le analisi di popolazione mediante Kaplan-Meier hanno confermato la correlazione tra over-espressione di RANK, NF1B e ricaduta con metastasi (p=0.001 e p<0.0005 rispettivamente). Lo studio di immunoistochimica è stato ampliato alle proteine maggiormente coinvolte nell’osteolisi che risultano avere un significato prognostico; tuttavia mediante analisi di ROC, la co-over-espressione di RANK, RANKL e NF1B rappresenta il migliore modello per predire la comparsa di metastasi (AUC=0.782, p<0.0005).

Studio dei profili di espressione dei microRNA nell'epatocarcinoma umano

Il carcinoma epatocellulare (HCC) è il più frequente tumore maligno del fegato e rappresenta il sesto tipo di tumore più comune nel mondo. Spesso i pazienti con HCC vengono diagnosticati a stadi piuttosto avanzati, quando le uniche opzioni terapeutiche in grado di migliorarne la sopravvivenza sono la chemoembolizzazione dell'arteria epatica ed il trattamento con l'inibitore multi-cinasico, Sorafenib. In questo contesto, la scoperta del ruolo centrale dei microRNA (miRNA) nella tumorigenesi umana risulta di fondamentale importanza per lo sviluppo di nuovi marcatori diagnostici e bersagli terapeutici. I microRNA (miRNA) sono delle piccole molecole di RNA non codificante, della lunghezza di 19-22 nucleotidi, filogeneticamente molto conservati, ed esercitano un ruolo cruciale nella regolazione di importanti processi fisiologici, quali sviluppo, proliferazione, differenziamento, apoptosi e risposta a numerosi segnali extracellulari e di stress. I miRNA sono inoltre responsabile della fine regolazione dell'espressione di centinaia di geni bersaglio attraverso il blocco della traduzione o la degradazione dell'mRNA target. Studi di profiling hanno evidenziato l'espressione aberrante di specifici miRNA in numerosi tipi di tumore umano. Lo scopo del presente lavoro è stato quello di individuare un pannello di miRNA deregolati nell'epatocarcinoma umano e di caratterizzare il ruolo biologico di tre miRNA deregolati nell'HCC, al fine di individuare alcuni dei meccanismi molecolari alla base della trasformazione maligna miRNA-associata. La nostra ricerca è stata inoltre focalizzata nell'individuazione di nuovi bersagli e strumenti terapeutici, quali i microRNA, per il trattamento combinato di HCC in stadio intermedio-avanzato.

Identificazione di un nuovo meccanismo microRNA-dipendente di resistenza all'inibizione della via di segnale PI3K/AKT nel carcinoma della prostata

Benché le alterazioni della via PI3K/AKT siano molto sudiate a causa del loro ruolo nella tumorigenesi, e rappresentino pertanto un importante bersaglio terapeutico, i risultati di numerosi studi clinici con inibitori di PI3K o AKT sono finora deludenti, in parte a causa dell’insorgenza di resistenza provocata dall'interruzione dei circuiti di feedback negativo. In questo studio, abbiamo scoperto che l’inattivazione farmacologica di AKT in cellule di carcinoma prostatico PC3 porta alla down-regolazione di un microRNA con funzione di oncosoppressore, il miR-145-5p, e ad un drammatico aumento di espressione di uno dei suoi geni target, cioè N/KRas. E’ interessante sottolineare che questo microRNA è considerato un marker di progressione metastatica nel carcinoma prostatico, il cui livello di espressione aiuta a discriminare tra pazienti con iperplasia prostatica benigna e cancro alla prostata. Inoltre, la bassa espressione di miR-145 aumenta il rischio di progressione della malattia da localizzata a metastatica. La conferma che l’aumento di Ras, osservato sia in termini di mRNA che di proteina, è dipendente dalla caduta del miR-145-5p, è stata poi ottenuta tramite un modello di PC3 ingegnerizzate per ottenere il silenziamento inducibile del miR-145-5p. Tramite un array di fosfoproteine siamo poi stati in grado di verificare che l’aumento di Ras provoca la riattivazione della cascata di PI3K/AKT e di ERK. Dal punto di vista meccanicistico, quindi, lo studio ha portato all’identificazione di un nuovo meccanismo di resistenza adattativa, in cui l’inattivazione di AKT provoca una caduta del miR-145-5p che, a sua volta, aumenta l’espressione di Ras e riattiva il signaling di PI3K, rendendo inefficace il trattamento farmacologico. Questi risultati sono particolarmente rilevanti alla luce di recenti studi (NCT04493853; NCT03072238; NCT02525068) e di trial clinici in corso (NCT04737109; NCT03673787), basati sulla somministrazione combinata di inibitori della sintesi degli androgeni con gli inibitori di AKT capitasertib o ipatasertib.

Anticancer drug discovery using artificial intelligence: an application in pharmacological activity prediction

Hematological cancers are a heterogeneous family of diseases that can be divided into leukemias, lymphomas, and myelomas, often called “liquid tumors”. Since they cannot be surgically removable, chemotherapy represents the mainstay of their treatment. However, it still faces several challenges like drug resistance and low response rate, and the need for new anticancer agents is compelling. The drug discovery process is long-term, costly, and prone to high failure rates. With the rapid expansion of biological and chemical "big data", some computational techniques such as machine learning tools have been increasingly employed to speed up and economize the whole process. Machine learning algorithms can create complex models with the aim to determine the biological activity of compounds against several targets, based on their chemical properties. These models are defined as multi-target Quantitative Structure-Activity Relationship (mt-QSAR) and can be used to virtually screen small and large chemical libraries for the identification of new molecules with anticancer activity. The aim of my Ph.D. project was to employ machine learning techniques to build an mt-QSAR classification model for the prediction of cytotoxic drugs simultaneously active against 43 hematological cancer cell lines. For this purpose, first, I constructed a large and diversified dataset of molecules extracted from the ChEMBL database. Then, I compared the performance of different ML classification algorithms, until Random Forest was identified as the one returning the best predictions. Finally, I used different approaches to maximize the performance of the model, which achieved an accuracy of 88% by correctly classifying 93% of inactive molecules and 72% of active molecules in a validation set. This model was further applied to the virtual screening of a small dataset of molecules tested in our laboratory, where it showed 100% accuracy in correctly classifying all molecules. This result is confirmed by our previous in vitro experiments.