Progressi nei modelli di tumoroidi per il trattamento del cancro al rene

Il carcinoma a cellule renali (RCC) è un tipo di cancro ai reni che colpisce molte persone in tutto il mondo. Nel 2022, ci sono stati oltre 434.000 nuovi casi e circa 155.700 decessi a livello globale a causa di questa malattia. Tra i diversi tipi di RCC, il carcinoma a cellule chiare (CcRCC) è il più comune, rappresentando circa il 70% di tutti i casi di RCC. Una delle sfide principali nel trattare il RCC è che non tutti i pazienti rispondono allo stesso modo ai trattamenti. Questa variazione è dovuta al fatto che i tumori possono differire notevolmente l'uno dall'altro, rendendo difficile capire quale trattamento funzioni meglio per ogni persona. Anche se sono state create nuove terapie mirate, questi trattamenti non sempre funzionano in modo costante, quindi c'è un bisogno urgente di trovare modi migliori per comprendere questi tumori e i loro ambienti.

#Modelli Tumorali

Sviluppare trattamenti precisi per il RCC è stato difficile a causa della mancanza di modelli di laboratorio affidabili che riflettano veramente le caratteristiche dei tumori reali dei pazienti. I modelli esistenti, come le linee cellulari e gli xenotrapianti derivati da pazienti, hanno notevoli svantaggi. Recentemente, gli scienziati si sono rivolti alla tecnologia degli organoidi come un'alternativa promettente. Gli organoidi sono modelli 3D che imitano come i tumori crescono nel corpo. Tuttavia, una sfida con i modelli tumorali attuali è che spesso non includono parti importanti dell'ambiente tumorale, come le cellule di supporto e i componenti immunitari.

#Importanza dell'Espressione genica

Capire come i geni si esprimono nel cancro è fondamentale. Modi diversi in cui i geni possono essere spliced possono aggiungere complessità al messaggio genetico, influenzando come i tumori si sviluppano e progrediscono. Nuove tecnologie hanno permesso una mappatura dettagliata dell'espressione genica nei tessuti tumorali, ma molti di questi metodi si concentrano solo su brevi segmenti di materiale genetico, perdendo informazioni importanti sulle variazioni geniche complete.

#Sistema di Coltura Tumorale

Nella nostra ricerca, abbiamo creato un sistema di coltura tumorale utilizzando tessuti ccRCC da pazienti. Questo sistema ci ha permesso di coltivare tumori che assomigliavano molto ai tumori originali. Abbiamo utilizzato la tecnologia 10x Genomics Visium per analizzare l'espressione genica spaziale all'interno di questi tumori. Utilizzando tecniche di sequenziamento avanzate a lungo raggio della Oxford Nanopore Technologies, siamo stati in grado di catturare l'espressione genica e di isoforma in modo più preciso rispetto ai metodi tradizionali.

#Materiali e Metodi

#Campioni Tumorali

Abbiamo ottenuto campioni di tumori a cellule chiare (ccRCC) da pazienti sottoposti a intervento chirurgico per cancro ai reni. I campioni sono stati conservati in un mezzo speciale per mantenerli vitali prima del trattamento. I tessuti tumorali sono stati quindi tagliati in pezzi più piccoli. Parte di ogni campione è stata fissata per esami successivi, mentre il resto è stato preparato per creare una sospensione di cellule singole. Le cellule sono state separate e contate, e un numero specifico di esse è stato posto in un flacone speciale per la crescita.

#Elaborazione dei Tessuti e Imaging

Per preparare l'imaging, i tumori sono stati fissati e incorporati in gel di agarosio prima di essere ulteriormente trattati e incorporati in paraffina. Abbiamo utilizzato attrezzature di imaging avanzate per catturare immagini dettagliate dei tumori, che sono state poi salvate per l'analisi.

#Esperimenti 10x Genomics

Abbiamo utilizzato la tecnologia 10x Genomics Visium per ottimizzare le condizioni per studiare i nostri tumori. Dopo aver preparato i campioni, abbiamo generato cDNA a lunghezza piena per studiare l'espressione genica.

#Sequenziamento a Lungo Raggio

Utilizzando la più recente tecnologia a nanopori, abbiamo costruito librerie per analizzare il materiale genetico. Dopo il sequenziamento, abbiamo elaborato i dati per capire le espressioni geniche e come variavano all'interno dei tumori.

#Analisi Spaziale

Per analizzare l'organizzazione spaziale dell'espressione genica, abbiamo sviluppato uno script personalizzato per elaborare i dati di sequenziamento. Abbiamo utilizzato software specifici per generare matrici dettagliate dell'espressione genica, permettendoci di visualizzare come diverse parti dei tumori esprimessero i geni in modo diverso.

#Risultati

La nostra analisi ha rivelato aree distinte all'interno dei tumori che mostrano schemi di espressione genica diversi, evidenziando la complessità all'interno dei tumori. Abbiamo identificato diversi cluster principali basati su profili di espressione genica, ciascuno associato a specifici processi biologici e funzioni.

#Caratteristiche dei Cluster

1. Cluster 1: Questo cluster mostrava alti livelli di geni associati alla produzione di proteine, indicando processi attivi di produzione di nuove proteine.

2. Cluster 2: Qui, abbiamo osservato espressioni più alte di geni legati al movimento cellulare e alla risposta ai segnali. Questo corrispondeva alle nostre osservazioni di aree cellulari più dense.

3. Cluster 3: Questa area aveva livelli elevati di geni legati alla produzione di energia, suggerendo un'attività metabolica più elevata.

4. Cluster 4: Abbiamo trovato geni legati alla degradazione delle proteine e alle risposte immunitarie, indicando un ruolo nel modo in cui il corpo combatte le malattie.

5. Cluster 5: I geni in questo cluster erano coinvolti nella produzione di ATP, segnalando un ruolo nella creazione di energia e nella crescita cellulare.

#Espressione delle Isoforme

Abbiamo anche esaminato forme diverse di geni specifici (isoforme) e le loro espressioni attraverso i tumori. Alcune isoforme mostravano schemi di espressione unici in aree specifiche, suggerendo che diverse parti del tumore potrebbero avere bisogni metabolici diversi.

#Conclusione

Lo studio dei tumori ccRCC ha mostrato risultati promettenti per comprendere la complessità del cancro ai reni. Creando un sistema che assomiglia da vicino ai tumori reali, siamo stati in grado di identificare varie espressioni geniche e le loro distribuzioni spaziali. Questi risultati evidenziano l'importanza di studiare l'eterogeneità tumorale per prevedere meglio le risposte dei pazienti ai trattamenti. Con tecniche avanzate come il sequenziamento a lungo raggio e l'analisi spaziale, otteniamo una comprensione più profonda di come funzionano i tumori renali e come interagiscono con i loro ambienti. Questa conoscenza potrebbe aprire la strada a strategie di trattamento più efficaci e personalizzate in futuro.

Combinando diversi approcci analitici, possiamo esplorare meglio i molteplici aspetti del ccRCC, portando a decisioni più informate nelle impostazioni cliniche e, in ultima analisi, a risultati migliori per i pazienti. La nostra ricerca sottolinea la necessità di continui sforzi per perfezionare e utilizzare modelli tumorali per affrontare le sfide nel trattamento del cancro, soprattutto in malattie complesse come il ccRCC. Il futuro della ricerca sul cancro si concentrerà probabilmente su queste tecnologie innovative per creare terapie più personalizzate che riflettano le caratteristiche uniche di ciascun tumore del paziente.