Fisabio i la Universitat de Nova York desenvolupen una eina que prediu com tractar l’artritis

521

Actualitat Diària

Un estudi de col·laboració entre Fisabio (Fundació per al Foment de la Investigació Sanitària i Biomèdica de la Comunitat Valenciana) i el departament de Reumatología de la Facultat de Medicina de la Universitat de Nova York, liderat pels investigadors Carles Úbeda i Jose Scher, ha demostrat per primera vegada com la microbiota intestinal influeix en la resposta al tractament més utilitzat per a l’artritis reumatoide: el metotrexato.

El camp de la reumatología manca de les eines òptimes per a decidir quin medicament és més adequat en cada cas. Quan s’administra de manera oral el metotrexato per a tractar l’artritis reumatoide, només el 50% dels pacients aconsegueix un resultat clínic adequat.

Amb aquest estudi, publicat en la revista ‘Arthritis & Rheumatology ‘-una de les més prestigioses en aquest camp-, s’ha desenvolupat un model matemàtic capaç de predir, abans de l’inici del tractament, si una persona amb artritis respondrà o no a aquest.

“Hem estat capaços de generar un model matemàtic que prediu la resposta al tractament mitjançant l’anàlisi dels gens que conformen el microbioma del pacient”, ha assegurat Carles Úbeda, investigador principal del grup de Fisabio ‘Microbiota, infecció i inflamació’.

Desenvolupament de l’estudi

La recerca va començar amb 26 pacients amb artritis reumatoide als qui es va prendre una mostra fecal 48 hores abans de l’inici del tractament. Quatre mesos després se’ls va dividir en dos grups: els/les pacients que sí que van respondre al tractament i, per tant, la situació clínica del qual havia millorat i aquells que no havien respost bé.

El grup de recerca va analitzar, a través de tècniques de seqüenciació massiva, tant la composició de la microbiota com les funcions bacterianes de cadascun dels gens que la conformen. D’aquesta manera, els/les investigadors/as van poder definir que la microbiota intestinal de les persones que no van respondre al fàrmac era més diversa i presentava diferències en diverses funcions bacterianes, incloses algunes relacionades amb la metabolización del fàrmac.

L’equip de recerca va demostrar de manera experimental que els/les pacients que no responen al tractament són aquells/as que presenten microbiomes amb major capacitat de disminuir la concentració de fàrmac disponible. Per a això, van conrear mostres de femta amb el medicament. A les 24 hores van mesurar la concentració del fàrmac i van observar una correlació negativa entre el metotrexato que quedava disponible i la resposta real del pacient al tractament quatre mesos després.

Model predictiu

Amb tota aquesta informació l’equip ha desenvolupat una eina que utilitza algorismes de ‘machine learning’ capaç de predir, analitzant la microbiota intestinal, si els o les pacients respondran o no al tractament abans que aquest s’iniciï.

Aquesta eina es va validar amb 21 pacients més als qui se’ls va analitzar prèviament la microbiota i se’ls va agrupar segons si respondrien o no al tractament. Les dades es van comparar amb la resposta real als quatre mesos i es va demostrar que el model matemàtic va predir la fallada del tractament en la majoria dels pacients que no van respondre a aquest.

Aquesta eina permet identificar a pacients que no tindran una resposta adequada al tractament. D’aquesta manera, si s’aplica en la pràctica clínica, permetrà que cada pacient rebi un tractament alternatiu al metotrexato perquè la malaltia no avanç.

“Esperem que el nostre model predictiu pugui ajudar en la clínica a seleccionar un tractament més adequat per a tractar al pacient amb artritis reumatoide”, ha explicat Úbeda.

L’estudi obre les portes al disseny d’estratègies per a modular la microbiota i així millorar l’absorció i efectivitat d’aquest fàrmac per a tractar l’artritis reumatoide, malaltia que afecta l’1% de la població mundial,

La recerca, en la qual també han participat investigadors/as de la Universitat de Navarra, el IIS La Fe, la University of Califòrnia i Penn State University, ha estat finançat pel Ministeri d’Economia (SAF2017-90083-R); Fons Feder; l’Agència Estatal de Recerca i la Conselleria d’Innovació, Universitats, Ciència ySociedad Digital (AICO/2019/266).

Deixar resposta

Per favor, escriu el teu comentari!
Per favor, escriu el teu nom ací