Approcci basati su machine learning per identificare relazioni non ovvie tra caratteristiche cliniche e biologiche nella Leucemia Linfocitica Cronica (LLC).

Abstract

La Leucemia Linfatica Cronica (LLC), una neoplasia eterogenea delle cellule B, presenta sfide nella caratterizzazione, nella stratificazione dei pazienti e nel trattamento personalizzato causate dalla complessa interazione tra i fattori biologici che ne determinano la progressione. Queste sfide vengono affrontate con approcci spesso basati su dati insufficienti e su metodi analitici non adatti a scoprire patterns elusivi ma significativi. In questo contesto complesso e con dati limitati, abbiamo cercato di sviluppare e validare, su una coorte iniziale di pazienti, una nuova pipeline basata sul Machine Learning capace di stratificare i pazienti, rivelando al contempo relazioni non ovvie tra features ed evidenziando potenziali markers di stimolazione in vivo. I dati di 32 pazienti con LLC, che includono parametri clinici e biologici in condizioni sia ex vivo che in vitro (che simulano possibili stimoli in vivo), sono stati segregati, dopo un'attenta analisi esplorativa, in gruppi omogenei tramite metodi di clustering unsupervised. I risultati del clustering in ex vivo hanno validato il nostro approccio segregando con successo i pazienti tramite markers clinici noti (stato mutazionale IGHV, espressione di CD38). Inoltre, la diversa espressione di CD80, CD86, ROS e Ca2+ osservata tra gruppi ha suggerito la presenza di distinti patterns di segnalazione intracellulare e d’interazione con le cellule T. Invece, quelli ottenuti nelle condizioni di stimolazione hanno evidenziato una risposta selettiva dei cloni leucemici a stimoli specifici (IgD-BCR, TLR9, CD40), associando ad essa una modulazione specifica dei parametri osservati. In conclusione, la nostra metodologia stratifica con successo i pazienti e rivela sia relazioni non ovvie tra features che markers associati a specifiche stimolazioni in vivo, che potrebbero orientare lo sviluppo di trattamenti personalizzati. In futuro, questa pipeline verrà perfezionata aumentando la coorte di pazienti e integrando dati genetici.

Chronic Lymphocytic Leukemia (CLL), a heterogeneous B-cell malignancy, presents significant challenges in characterization, patient stratification, and personalized treatment due to the complex interplay of biological factors driving its progression. Traditional approaches to these challenges often rely on scarce data and on existing analytical methods that may not be appropriate to uncover subtle but significant patterns. In this complex, data poor setting, we aimed at developing and validating, on an initial CLL cohort, a novel machine learning pipeline able to stratify patients, while revealing non-obvious relationships among features and highlighting potential markers of in vivo stimulation. Data from 32 CLL patients, including clinical and biological parameters for both ex vivo and in-vitro conditions (mimicking possible in vivo stimuli), were segregated, following a rigorous data exploration, into homogeneous subgroups by means of unsupervised clustering methods. Ex vivo clustering results validated our approach by successfully differentiating patients based on known clinical markers (e.g., IGHV mutational status, CD38 expression). Moreover, differential expressions of CD80, CD86, ROS, and Ca2+ between subgroups suggested distinct patterns of intracellular signaling and interactions with T cells. Crucially, clustering results from in vitro stimulation experiments highlighted the selective responsiveness of individual CLL clones to specific stimuli (IgD-BCR, TLR9, CD40), associated with differential modulation of the available parameters. In conclusion, the proposed pipeline successfully stratifies CLL patients and uncovers non-obvious relationships among features, revealing markers of differential in vivo stimulation that could inform the development of personalized CLL treatments. Future work will involve expanding the patient cohort and integrating gene expression data to further refine our methodology.