EL ALGORITMO: Cómo el CDSS Tissunómico Predice la Respuesta al T-DXd
El núcleo del CDSS Tissunómico es un modelo matemático que simula la difusión física de la toxina DXd a través del tejido tumoral. A diferencia de la puntuación IHC convencional (0, 1+, 2+, 3+), que clasifica el tumor como un todo homogéneo, este algoritmo evalúa cada célula tumoral individualmente y calcula su probabilidad de ser destruida en función de su entorno espacial. El sistema se construye en cuatro capas matemáticas secuenciales, desde la extracción de datos en QuPath hasta el veredicto clínico final.
CAPA 1: Extracción de Datos Espaciales (QuPath)
El punto de partida es una lámina de inmunohistoquímica HER2 digitalizada y analizada con QuPath, un software de patología digital de código abierto. Un clasificador entrenado asigna a cada célula tumoral detectada una de cuatro categorías según la intensidad de tinción de membrana, siguiendo los criterios ASCO/CAP: Negative (sin tinción o tinción incompleta/débil ≤10%), 1+ (tinción incompleta/débil >10%), 2+ (tinción completa débil-moderada >10%) y 3+ (tinción completa intensa >10%).[1,2]
Para cada célula, un script de Groovy calcula automáticamente el número de vecinas de cada categoría dentro de tres radios concéntricos: 50 μm, 75 μm y 100 μm. Estos radios representan la distancia física que la toxina DXd debe recorrer para alcanzar a una célula vecina. El resultado es una matriz de 18 columnas por célula (clasificación, intensidad DAB, área nuclear, y 15 conteos de vecindad), que alimenta el motor matemático.
CAPA 2: El Índice de Saturación Topográfica del Bystander (ISTB)
El ISTB es la métrica central del modelo. Cuantifica la exposición acumulada de cada célula a la toxina DXd liberada por sus vecinas HER2-positivas, integrando tres variables biológicas:
a) Pesos de intensidad no lineales (1 / 5 / 25)
No todas las células HER2-positivas liberan la misma cantidad de toxina. La densidad de receptores HER2 en la superficie celular varía de forma no lineal entre las categorías IHC: las células 3+ expresan aproximadamente 2 millones de receptores, las 2+ alrededor de 500.000, y las 1+ unas 100.000.[3] Estas cifras son aproximaciones ampliamente citadas en la literatura (revisado en Loibl & Gianni, Lancet 2017); datos experimentales directos de Sharma et al. midieron ~50.000-800.000 receptores/célula según la línea celular.[4] Dado que la cantidad de ADC internalizado (y por tanto de DXd liberado) es proporcional a la densidad de receptores, el modelo asigna pesos de intensidad de 25 (para 3+), 5 (para 2+) y 1 (para 1+), reflejando esta relación no lineal.
b) Decaimiento exponencial por distancia (Ley de Fick)
Una vez liberada, la toxina DXd debe difundir a través del espacio intersticial para alcanzar a las células vecinas. Esta difusión sigue un decaimiento exponencial descrito por la Ley de Fick:
donde r es la distancia desde la célula fuente y λ es la longitud de penetración, un parámetro que depende de las propiedades fisicoquímicas del payload. El DXd es una molécula altamente lipofílica, lo que le confiere alta permeabilidad de membrana (esencial para el efecto bystander) pero también genera un 'efecto sumidero celular': las primeras células que encuentra lo absorben rápidamente, reduciendo la concentración disponible para las más lejanas.[5-7]
Estudios de penetración tisular con resolución celular han demostrado que los payloads lipofílicos de ADCs penetran unas 2-5 capas celulares antes de perder concentración letal, lo que corresponde a distancias de 30-80 μm dependiendo del payload específico.[6,7]El modelo utiliza un valor por defecto de λ = 40 μm, que genera los siguientes pesos de distancia:
- w(50 μm) = e^(-50/40) ≈ 0.286
- w(75 μm) = e^(-75/40) ≈ 0.153
- w(100 μm) = e^(-100/40) ≈ 0.082
Este parámetro es ajustable en el panel de sensibilidad del Dashboard, permitiendo simular payloads con diferentes propiedades de difusión.
c) Compresión logarítmica
La contribución acumulada de todas las vecinas se comprime mediante una función logarítmica:
donde S_lineal es la suma ponderada de todas las contribuciones (intensidad × distancia × número de vecinas) y k_escala = 2.5 es un factor de escala ajustable. La compresión logarítmica modela el efecto plateau observado en farmacología: a partir de cierta concentración de toxina, añadir más fármaco no aumenta proporcionalmente la muerte celular. Este comportamiento es consistente con los modelos de farmacología de sistemas (QSP) que demuestran que la distribución del payload en tumores sólidos sigue patrones de saturación dependientes de la difusividad (Vasalou et al. 2015; Burton et al. 2019).[8,10]
El modelo de Burton et al. (2019) demostró que la exposición del payload a células distantes de los vasos es sensible a la difusividad libre del payload en el espacio extracelular, y que cuando la expresión del antígeno es heterogénea, la acumulación total de payload en células sin antígeno depende solo débilmente del porcentaje de células que expresan el antígeno (es importante notar que esto se refiere a la acumulación total, no necesariamente a la concentración letal, justificada en nuestro modelo por el umbral EC50).[10]
CAPA 3: La Función Sigmoide (Probabilidad de Muerte Celular)
El ISTB se transforma en una probabilidad de muerte celular mediante una función sigmoide (curva de Hill):
donde:
- EC50 = 5 es el punto de inflexión: el valor de ISTB al cual la probabilidad de muerte es del 50%. Este valor se deriva matemáticamente del rango dinámico comprimido por la Ley de Fick (con λ=40 μm, 10 vecinas 3+ a 50 μm generan un ISTB ≈ 10.7, lo que sitúa el punto medio funcional alrededor de 5).
- k = 0.5 es la pendiente de la transición, que modela la variabilidad biológica en la sensibilidad celular al DXd.
La función sigmoide es el estándar en farmacología para modelar relaciones dosis-respuesta de agentes citotóxicos.[8,9,11]Produce una curva en forma de 'S' donde concentraciones bajas de toxina tienen poco efecto, concentraciones intermedias producen una transición rápida, y concentraciones altas saturan la respuesta. Ambos parámetros (EC50 y k) son hipotéticos y ajustables en el panel de sensibilidad. Su calibración definitiva requeriría correlación con datos clínicos reales de respuesta patológica (pCR o RCB).
CAPA 4: Estratificación y Veredicto Clínico
Basándose en el ISTB comprimido, cada célula HER2-negativa se clasifica en una de cuatro categorías de destino:
- Saturación Letal (ISTB ≥ 10)
Exposición masiva a la toxina. Muerte celular prácticamente garantizada. Riesgo de enfermedad residual mínima (MRD): nulo.
- Rescate Moderado (ISTB 5-10)
Exposición significativa pero no saturante. Riesgo MRD: alto (selección darwiniana de clones resistentes).
- Rescate Débil (ISTB 2-5)
Exposición subletal. Riesgo MRD: moderado.
- Supervivencia (ISTB < 2)
Aislamiento espacial de las fuentes de toxina. Riesgo MRD: crítico.
La distribución de las células negativas entre estas categorías determina el patrón topográfico del tumor:
Clustered
≥50% en Saturación Letal
Las células negativas están rodeadas de fuentes HER2+. Alta probabilidad de respuesta al T-DXd.
Insulated
≥50% en Supervivencia
Las células negativas están espacialmente segregadas. Baja probabilidad de respuesta.
Heterogéneo
Patrón mixto
Patrón mixto que requiere evaluación adicional.
Métrica Complementaria: El Índice de Heterogeneidad (HER2-HQE)
Además del análisis espacial, el sistema calcula el HER2-HQE (Heterogeneity Quadratic Entropy), una métrica estadística propuesta por Wu et al.[13] y validada clínicamente:
donde p_i es la proporción de células en cada categoría IHC (Negative, 1+, 2+, 3+). Un tumor perfectamente homogéneo (100% de una sola categoría) tiene HQE = 0, mientras que un tumor con distribución equitativa entre las cuatro categorías tiene HQE = 0.75.
Hu et al. (2026) validaron esta métrica en 295 pacientes con cáncer de mama HER2-positivo tratados con terapia neoadyuvante anti-HER2, demostrando que los tumores con alta heterogeneidad (HER2-HQE elevado) tuvieron una tasa de pCR de solo 24.5%, frente al 62.5% en tumores homogéneos (P < .001).[12] Múltiples estudios adicionales han confirmado que la heterogeneidad intratumoral de HER2 es un predictor independiente de resistencia a terapias anti-HER2.[14-16]
El HER2-HQE actúa como una 'red de seguridad' estadística que complementa la predicción topográfica del ISTB: un tumor puede tener un ISTB alto (buena mezcla espacial) pero un HQE también alto (muchas subpoblaciones diferentes), lo que indicaría un riesgo biológico adicional no capturado por la difusión pura.
Limitaciones Documentadas del Algoritmo
El modelo asume que la toxina DXd se libera exclusivamente desde células HER2-positivas que internalizan el ADC. Sin embargo, Tsao et al. (2025) demostraron que la eficacia del T-DXd en tumores HER2-low/negative puede ser independiente de la internalización del ADC, dependiendo en cambio de proteasas extracelulares como la catepsina L (CTSL) presentes en el estroma tumoral, que clivan el linker del T-DXd y liberan el DXd directamente en el microambiente.[16] Bajo este paradigma, el estroma podría actuar como una fuente difusa adicional de toxina no modelada por el algoritmo actual.
Asimismo, los parámetros del modelo (λ, EC50, k, pesos de intensidad, factor de escala) son hipotéticos in silico y requieren validación prospectiva con datos clínicos reales. El panel de análisis de sensibilidad del Dashboard permite explorar cómo varían las predicciones al modificar estos parámetros, lo cual constituye una herramienta de transparencia metodológica esencial para la interpretación de los resultados.
¿Por Qué Este Algoritmo Puede Funcionar Para Cualquier Muestra?
El modelo es agnóstico al tipo tumoral y al fenotipo HER2. No asume que el tumor sea HER2-positivo, HER2-low o HER2-negative. Simplemente mide la topografía espacial de las células y calcula la difusión física de la toxina. Esto significa que:
En un tumor HER2 3+ homogéneo, el ISTB será alto para todas las células → fenotipo CLUSTERED → alta respuesta predicha. Esto es consistente con las tasas de respuesta del 62-79% observadas en DESTINY-Breast01 y DESTINY-Breast03.[17,18]
En un tumor HER2-low heterogéneo, el resultado dependerá de la mezcla espacial: si las pocas células 1+/2+ están intercaladas con las negativas, el ISTB será moderado → fenotipo HETEROGÉNEO. Esto es consistente con la ORR del 52% en DESTINY-Breast04.[19]
En un tumor HER2-negative con segregación espacial, las células negativas estarán aisladas → fenotipo INSULATED→ baja respuesta predicha.
El sistema de patología computacional cSPS (continuous Spatial Proximity Score), desarrollado independientemente para cáncer gástrico, validó este mismo principio: los pacientes clasificados como BM+ (buena proximidad espacial) tuvieron una mediana de PFS de 8.3 meses frente a 3.9 meses en los BM- (P<0.0001), y esta diferencia fue predictiva específicamente de la respuesta al T-DXd (no al tratamiento estándar).[20]
Referencias
- Wolff AC, et al. Human Epidermal Growth Factor Receptor 2 Testing in Breast Cancer: ASCO/CAP Guideline Update. J Clin Oncol. 2023.
- Bankhead P, et al. QuPath: Open source software for digital pathology image analysis. Sci Rep. 2017.
- Loibl S, Gianni L. HER2-positive Breast Cancer. Lancet. 2017;389(10087):2415-2429.
- Sharma P, et al. Quantification of HER2 Receptors and Trastuzumab Binding. Drug Metab Dispos. 2020.
- Ogitani Y, et al. Bystander killing effect of DS-8201a. Cancer Sci. 2016.
- Khera E, et al. Quantifying ADC Bystander Payload Penetration With Cellular Resolution Using Pharmacodynamic Mapping. Neoplasia. 2021;23(2):210-221. DOI: 10.1016/j.neo.2020.12.001.
- Khera E, et al. Cellular-Resolution Imaging of Bystander Payload Tissue Penetration From Antibody-Drug Conjugates. Mol Cancer Ther. 2022;21(2):310-321. DOI: 10.1158/1535-7163.MCT-21-0580.
- Vasalou C, et al. A Mechanistic Tumor Penetration Model to Guide Antibody Drug Conjugate Design. PLoS One. 2015.
- Goutelle S, et al. The Hill Equation: A Review of Its Capabilities in Pharmacological Modelling. Fundam Clin Pharmacol. 2008;22(6):633-648.
- Burton JK, et al. A Systems Pharmacology Model for Drug Delivery to Solid Tumors by ADCs. AAPS Journal. 2019.
- Gardner SN. A Mechanistic, Predictive Model of Dose-Response Curves for Cell Cycle Phase-Specific and -Nonspecific Drugs. Cancer Res. 2000;60(5):1417-1425.
- Hu J, et al. Predictors of Response to Neoadjuvant Therapy in HER2-Positive Breast Cancer and HQE. Mod Pathol. 2026.
- Wu C, et al. A novel HER2 heterogeneity index (HER2-HQE) predicts response. Breast Cancer Res. 2021.
- Filho OM, et al. Impact of HER2 Heterogeneity on Treatment Response. Cancer Discov. 2021.
- Goyette MA, et al. HER2 Heterogeneous Breast Cancer Models Reveal Novel Therapeutic Targets. Cancer Discov. 2026.
- Tsao LC, et al. Effective Extracellular Payload Release and Immunomodulatory Interactions Govern T-DXd. Nat Commun. 2025.
- Saura C, Modi S, et al. Updated Survival Results From DESTINY-Breast01. Ann Oncol. 2024;35(3):302-307.
- Cortés J, et al. Trastuzumab Deruxtecan versus Trastuzumab Emtansine for Breast Cancer (DESTINY-Breast03). N Engl J Med. 2022.
- Modi S, et al. Trastuzumab Deruxtecan in Previously Treated HER2-Low Advanced Breast Cancer (DESTINY-Breast04). N Engl J Med. 2022.
- Kapil A, et al. Computational pathology–based HER2 quantification to identify novel biomarkers in gastric cancer (cSPS). J Clin Oncol. 2023;41(suppl 4; abstr 449).