Heterogeneidad de Respuesta al Tratamiento Oncológico: Determinantes Moleculares, Microambientales y Clínicos de la Sensibilidad y Resistencia Terapéutica
Autores: Manuel Parra, Big Data
Institución: Centro de Investigación en Oncología Integrativa de Manuel Parra (CIO)
Publicación: Revisión para profesionales de la salud e investigadores
Resumen
La variabilidad interindividual en la respuesta a los tratamientos oncológicos constituye uno de los desafíos más complejos y relevantes de la oncología contemporánea. Mientras algunos pacientes experimentan respuestas completas y duraderas a terapias específicas, otros, con diagnósticos aparentemente idénticos, no obtienen beneficio alguno o desarrollan resistencias primarias. Esta revisión analiza los determinantes multifactoriales de dicha heterogeneidad, integrando hallazgos recientes (2024-2026) sobre mecanismos moleculares de resistencia, nuevos biomarcadores predictivos, influencia del microambiente tumoral, y factores sistémicos del huésped. Se examinan descubrimientos clave como el papel de la proteína WNK1 y el estrés osmótico en la modulación de respuesta a fármacos antimicrotúbulos [1], las mutaciones en VPS35 que confieren resistencia a terapias basadas en especies reactivas de oxígeno [2], y los avances en plataformas de inteligencia artificial para predicción de respuesta como MOMLIN y QPOR™ [3,4]. Se concluye con recomendaciones prácticas para la implementación de estrategias de medicina de precisión que integren estos conocimientos, así como con propuestas innovadoras para el diseño de ensayos clínicos y la práctica clínica diaria.
Palabras clave: resistencia a quimioterapia, heterogeneidad tumoral, biomarcadores predictivos, microambiente tumoral, medicina de precisión, inteligencia artificial en oncología.
1. Introducción
La respuesta al tratamiento oncológico es extraordinariamente variable. Pacientes con el mismo tipo histológico y estadio tumoral pueden mostrar desde respuestas completas hasta progresión fulminante bajo idéntico régimen terapéutico. Esta realidad clínica, conocida desde los albores de la quimioterapia, ha sido tradicionalmente atribuida a factores genéticos intrínsecos del tumor. Sin embargo, la investigación de los últimos años ha revelado un panorama mucho más complejo, donde convergen determinantes moleculares, celulares, microambientales y sistémicos.
La comprensión de los mecanismos que subyacen a esta heterogeneidad no es meramente académica: constituye la base para el desarrollo de estrategias de medicina de precisión que permitan seleccionar la terapia óptima para cada paciente, anticipar resistencias y diseñar combinaciones terapéuticas racionales. Como señala la Sociedad Americana de Oncología Clínica (ASCO), la identificación de biomarcadores predictivos fiables es una de las prioridades de la investigación oncológica traslacional [5].
Esta revisión aborda de manera integral los factores determinantes de la respuesta terapéutica, integrando los descubrimientos más recientes publicados entre 2024 y 2026, y proponiendo un marco conceptual para su aplicación clínica.
2. Heterogeneidad Tumoral Intrínseca como Determinante Fundamental
2.1. Diversidad Genética y Plasticidad Adaptativa
Un tumor no es una masa homogénea de células idénticas, sino un ecosistema complejo compuesto por poblaciones celulares con perfiles genéticos y epigenéticos diversos. Esta heterogeneidad intratumoral constituye el sustrato sobre el que actúa la selección darwiniana durante el tratamiento [6].
El grupo de investigación del CSIC liderado por Guillermo de Cárcer ha descrito recientemente un mecanismo paradigmático de esta plasticidad adaptativa. Mediante rastreo genético, identificaron que la inactivación de la proteína WNK1, un sensor maestro del estrés osmótico, confiere resistencia al fármaco experimental Rigosertib y a otros agentes que desestabilizan microtúbulos [1]. Lo más relevante es que esta misma inactivación induce sensibilidad aumentada a fármacos con mecanismo opuesto, como Paclitaxel y Epotilona, que estabilizan el andamiaje celular [1,7].
Este hallazgo tiene implicaciones clínicas profundas: el estado funcional de vías de señalización aparentemente no relacionadas con la diana terapéutica directa puede modular drásticamente la respuesta, y abre la posibilidad de estrategias de «cambio de clase» terapéutica cuando se detectan resistencias.
2.2. Mutaciones Específicas Asociadas a Resistencia
El estudio publicado en Nature por el equipo del Hospital General de Massachusetts identificó un mecanismo de resistencia previamente desconocido. Analizando células cancerosas en busca de proteínas sensoras de especies reactivas de oxígeno (ROS), encontraron mutaciones en VPS35 que aumentaban la resistencia al tratamiento al disminuir los niveles intracelulares de ROS [2]. En pacientes con cáncer de ovario seroso de alto grado, niveles tumorales más altos de VPS35 se asociaron con mejor respuesta al tratamiento y mayores tasas de supervivencia global [2].
Este descubrimiento ejemplifica cómo variaciones en genes implicados en homeostasis redox pueden determinar la respuesta a terapias cuyo mecanismo de acción depende de estrés oxidativo.
2.3. ASPM como Nuevo Biomarcador en Cáncer de Próstata
El estudio «Prosta-omics» publicado recientemente en Molecular Diversity identificó ASPM (Abnormal Spindle Microtubule Assembly) como un biomarcador estadísticamente significativo y enriquecido en poblaciones celulares tumorales proliferativas [8]. Mediante un pipeline integrador que combina transcriptómica de célula única, quimioinformática y machine learning, los investigadores desarrollaron una plataforma predictiva (Prosta-Omics) capaz de identificar compuestos con alta afinidad por ASPM [8]. Esta aproximación ilustra el potencial de las estrategias multiómicas para identificar nuevas dianas y predictores de respuesta.
3. Microambiente Tumoral: El Ecosistema que Modula la Respuesta
3.1. Componentes y Funciones del Microambiente
Las células cancerosas no existen en aislamiento, sino que se encuentran rodeadas de un entorno complejo denominado microambiente tumoral (TME), que incluye fibroblastos asociados a cáncer, células inmunitarias, células endoteliales, matriz extracelular y factores solubles [9,10]. Este ecosistema ejerce un papel crucial en la progresión tumoral y en la respuesta a terapias [11].
Investigadores de la Universitat Jaume I han demostrado que pequeñas moléculas orgánicas de tipo ariltriazoles y tetrazoles pueden modular propiedades del microambiente como la inmunidad, la inflamación y la angiogénesis [9]. Compuestos con estructura tetrazólica o triazólica, no tóxicos por sí mismos, mostraron capacidad para bloquear el crecimiento de células cancerosas cuando estas estaban en presencia de células T o monocitos, modulando la inflamación y activando células defensivas [9].
3.2. Microambiente Inmunitario en Cáncer Colorrectal
La revisión de Kennel y Greten publicada en Nature Reviews Cancer analiza en profundidad el microambiente inmunitario del cáncer colorrectal (CCR) [12]. Los autores destacan que, aunque los CCRs son curables mediante cirugía en fases tempranas, las inmunoterapias solo son efectivas en menos de uno de cada cinco casos. La progresión del CCR depende de la interacción de las células tumorales con fibroblastos, células inmunes y células vasculares, así como con el microbioma intestinal [12].
«Modular el TME del CCR para convertir tumores poco inmunogénicos e inmunosuprimidos en tumores inmunoactivados tiene un enorme potencial terapéutico», concluyen los autores [12].
3.3. Estrés Osmótico y Respuesta a Fármacos
El hallazgo más innovador del estudio del CSIC es la demostración de que el estrés osmótico per se modifica la respuesta a quimioterapia. Al incubar células tumorales en medio hipotónico (baja concentración iónica), se volvieron sensibles a Rigosertib pero resistentes a Paclitaxel; en medio hipertónico, el efecto fue el contrario [1,7].
Este descubrimiento tiene implicaciones clínicas inmediatas, dado que muchos pacientes oncológicos reciben diuréticos durante la quimioterapia para controlar hipertensión o retención de líquidos. Los diuréticos modifican el balance osmótico celular, y podrían estar modulando inadvertidamente la respuesta a los fármacos antineoplásicos [1,7]. El equipo de De Cárcer anuncia que explorará esta hipótesis en próximos proyectos.
4. Nuevas Tecnologías para la Predicción de Respuesta
4.1. Inteligencia Artificial y Aprendizaje Automático
La plataforma MOMLIN (Multi-Modal and -Omics Machine Learning Integration), desarrollada por Rashid y Selvarajoo, representa un avance significativo en la predicción de respuesta a fármacos [3]. Aplicada a datos de 147 pacientes con cáncer de mama (incluyendo clínicos, mutacionales, expresión génica, células del microambiente y vías moleculares), MOMLIN alcanzó un AUC promedio de 0.989, superando en más del 10% a metodologías previas [3].
Lo más relevante es que MOMLIN no solo detecta biomarcadores individuales conocidos, sino que identifica biomarcadores multimodales en red para cada clase de respuesta. Por ejemplo, para respondedores emergió una interacción entre ER-negativo, mutaciones en HMCN1-COL5A1, expresión de FBXO2-CSF3R y presencia de CD8 como biomarcador multimodal. Para casos de resistencia, apareció una combinación distinta de afectación ganglionar, mutación TP53, expresión de PON3-ENSG00000261116 lncRNA, HLA-E y exclusión de células T [3].
4.2. Biomarcadores de Imagen y Heterogeneidad Espacial
La plataforma QPOR™, presentada en el congreso ASCO 2025 por 4D Path, introduce el concepto de heterogeneidad inmune como predictor de respuesta [4]. Analizando biopsias de cáncer de mama, demostró que pacientes con bajos niveles de linfocitos infiltrantes de tumor (TILs) pero baja heterogeneidad inmune (medida por el Índice de Heterogeneidad Inmune, IHI) experimentaron una tasa de respuesta del 66% frente al 25% en aquellos con alta heterogeneidad [4].
En cáncer de mama triple negativo, pacientes con bajos TILs y baja heterogeneidad alcanzaron un 74% de respuesta, superando incluso a aquellos con altos TILs [4]. Este hallazgo sugiere que la heterogeneidad espacial de la respuesta inmune puede ser un predictor más potente que la cantidad absoluta de células inmunes.
5. Factores Sistémicos del Huésped y Respuesta Terapéutica
5.1. Estado Metabólico e Inflamatorio
La relación entre el estado metabólico del paciente y la respuesta al tratamiento es un área emergente de investigación. La disfunción metabólica y la obesidad son impulsores independientes de la progresión tumoral y la resistencia a tratamientos [13]. La compañía SynDevRx ha publicado resultados de evexomostat, un inhibidor de MetAP2 diseñado para abordar simultáneamente la biología tumoral y la disfunción metabólica sistémica, mostrando capacidad para suprimir crecimiento tumoral, reducir masa grasa, mejorar sensibilidad a insulina y potenciar respuestas inmunes [13].
5.2. Polimorfismos Genéticos del Huésped
Un estudio publicado en Science Translational Medicine (febrero 2026) identificó que el polimorfismo BDNF Val66Met determina la susceptibilidad a neuropatía periférica inducida por oxaliplatino [14]. La variante Met66, presente en aproximadamente el 49% de poblaciones de Asia Oriental, confiere protección, mientras que la variante Val66 aumenta la vulnerabilidad. Este tipo de hallazgos permite identificar pacientes con alto riesgo de toxicidad y ajustar dosis o implementar estrategias neuroprotectoras personalizadas.
5.3. Medicación Concomitante
El descubrimiento sobre el papel del estrés osmótico modulado por diuréticos ejemplifica cómo la medicación concomitante puede influir en la respuesta terapéutica [1,7]. Otros fármacos comúnmente utilizados en pacientes oncológicos (antihipertensivos, antidiabéticos, antiinflamatorios) podrían tener efectos similares, un área que requiere investigación sistemática.
6. Integración de Determinantes: Hacia un Modelo Multifactorial
La evidencia revisada permite construir un modelo integrador de los determinantes de respuesta terapéutica:
| Nivel | Determinantes | Ejemplos |
|---|---|---|
| Genético tumoral | Mutaciones conductoras, alteraciones en genes de resistencia | VPS35, TP53, KRAS |
| Epigenético tumoral | Patrones de metilación, estado de cromatina | Silenciamiento de genes supresores |
| Funcional tumoral | Estado de vías de señalización, estrés osmótico | Actividad WNK1, homeostasis redox |
| Microambiental | Composición inmune, fibroblastos, hipoxia, microbioma | TILs, heterogeneidad inmune, células mieloides |
| Sistémico-huésped | Estado metabólico, inflamación, polimorfismos, medicación concomitante | Obesidad, BDNF, diuréticos |
La respuesta observada en un paciente es la resultante de la interacción dinámica entre todos estos niveles, que además evolucionan durante el tratamiento.
7. Conclusiones Innovadoras y Recomendaciones Prácticas
7.1. Conclusiones Originales
- La resistencia no es binaria sino plástica: El estudio de WNK1 demuestra que el mismo estado celular (inactivación de WNK1) confiere resistencia a una clase de fármacos y sensibilidad a otra de mecanismo opuesto [1]. Esto sugiere que la «resistencia» debe conceptualizarse como un estado celular específico de contexto, no como una propiedad absoluta.
- El microambiente es tan importante como la célula tumoral: Los hallazgos sobre modulación del TME y el papel de la heterogeneidad inmune [4,9,12] indican que predecir respuesta requiere caracterizar no solo el tumor, sino su ecosistema completo.
- Los biomarcadores óptimos son multimodales y en red: La superioridad de MOMLIN [3] y QPOR™ [4] demuestra que los biomarcadores del futuro integrarán datos genómicos, transcriptómicos, proteómicos, celulares y espaciales mediante inteligencia artificial.
- La medicación concomitante puede estar modulando inadvertidamente la respuesta: El descubrimiento sobre diuréticos y estrés osmótico [1,7] abre una línea de investigación con implicaciones clínicas inmediatas y de alto impacto.
7.2. Recomendaciones para la Investigación
- Diseñar ensayos clínicos que incorporen estratificación por biomarcadores multimodales, utilizando plataformas como MOMLIN para identificar subgrupos de respondedores diferenciales.
- Investigar sistemáticamente el impacto de medicación concomitante (diuréticos, antihipertensivos, antidiabéticos) en la respuesta a quimioterapia, mediante estudios farmacoepidemiológicos y ensayos prospectivos.
- Desarrollar modelos preclínicos que incorporen la complejidad del microambiente tumoral, incluyendo cocultivos con células inmunes y fibroblastos, así como condiciones de estrés osmótico variable.
- Validar prospectivamente el valor predictivo de la heterogeneidad inmune espacial mediante estudios multicéntricos con la plataforma QPOR™ o tecnologías análogas.
7.3. Recomendaciones para la Práctica Clínica
- Evaluar integralmente al paciente oncológico incluyendo no solo características tumorales, sino también estado metabólico, inflamatorio, medicación concomitante y polimorfismos genéticos relevantes.
- Considerar la posibilidad de «cambio de clase terapéutica» cuando se detecten resistencias a fármacos con mecanismo de acción específico, basándose en el conocimiento de vías alternativas (ejemplo: si resistencia a desestabilizadores de microtúbulos, valorar estabilizadores).
- Monitorizar la medicación concomitante y evaluar su posible impacto en la respuesta, particularmente diuréticos en pacientes que reciben taxanos o agentes relacionados.
- Utilizar plataformas de inteligencia artificial cuando estén disponibles y validadas, para integrar la complejidad de datos y apoyar la toma de decisiones terapéuticas.
- Participar en ensayos clínicos que evalúen estrategias de medicina de precisión, contribuyendo a generar la evidencia necesaria para mejorar la predicción de respuesta.
8. Perspectivas Futuras
La convergencia de tecnologías ómicas, inteligencia artificial, y una comprensión más profunda del microambiente tumoral y los factores del huésped está sentando las bases para una oncología verdaderamente personalizada. Los próximos años verán:
- La integración rutinaria de plataformas multiómicas en la práctica clínica.
- El desarrollo de «gemelos digitales» de pacientes que permitan simular respuestas terapéuticas.
- La identificación de nuevas dianas terapéuticas basadas en vulnerabilidades metabólicas y de estrés celular.
- Estrategias de «reversión de resistencia» mediante modulación del microambiente o del estado metabólico.
Como concluye el equipo del CSIC: «Este trabajo, aunque aún preliminar, tendrá implicaciones clínicas muy relevantes» [1]. La investigación traslacional está acortando la distancia entre el laboratorio y la cabecera del paciente, y la comprensión de los determinantes de respuesta terapéutica es uno de los puentes más prometedores.
Referencias
[1] Monfort-Vengut A, Sanz-Gómez N, et al. Osmotic stress influences microtubule drug response via WNK1 kinase signaling. Drug Resistance Updates. 2025;101203. DOI: 10.1016/j.drup.2025.101203. [csic.es]
[2] Zhang J, Ali Y, Chong H, Bar-Peled L, et al. VPS35 mutations confer chemoresistance by modulating reactive oxygen species homeostasis. Nature. 2025. [massgeneral.org]
[3] Rashid MM, Selvarajoo K. Advancing drug-response prediction using multi-modal and -omics machine learning integration (MOMLIN): a case study on breast cancer clinical data. Brief Bioinform. 2024;25(4). DOI: 10.1093/bib/bbae322. [pubmed]
[4] 4D Path. QPOR™ Platform predicts breast cancer response to neoadjuvant chemotherapy. ASCO Annual Meeting 2025. Presentado en junio 2025. [clinicaltrialvanguard.com]
[5] American Society of Clinical Oncology. The State of Cancer Care in America 2025. Alexandria, VA: ASCO; 2025.
[6] Dagogo-Jack I, Shaw AT. Tumour heterogeneity and resistance to cancer therapies. Nat Rev Clin Oncol. 2018;15(2):81-94.
[7] Redacción Médica. El estrés creado sobre las células tumorales marca la eficacia de la quimio. 4 febrero 2025. [redaccionmedica.com]
[8] Sahibzada KI, et al. Prosta-omics: machine learning-driven TPSA prediction and molecular modeling of ASPM-inhibitors for prostate cancer treatment. Mol Divers. 2026. DOI: 10.1007/s11030-026-11470-0. [pubmed]
[9] Bou Puerto A, Carda PM, Falomir E. Styryl carbamate backbones for the discovery of TME-disrupting agents. Results Chem. 2024;7:101372-101382. [ruvid.org]
[10] Cabral P, Camacho Damata XA. Microambiente tumoral: influencia en el tratamiento del cáncer. Salud Mil. 2025;44(1):e401. [bvsalud.org]
[11] Hanahan D. Hallmarks of Cancer: New Dimensions. Cancer Discov. 2022;12(1):31-46.
[12] Kennel KB, Greten FR. The immune microenvironment of colorectal cancer. Nat Rev Cancer. 2025. DOI: 10.1038/s41568-025-00872-1. [nature.com]
[13] SynDevRx, Inc. Evexomostat: A first-in-class MetAP2 inhibitor for metabo-oncology. Front Oncol. 2026;16.
[14] De Boni L, et al. BDNF Val66Met protects oxaliplatin-induced peripheral neuropathy in patients with colorectal cancer. Sci Transl Med. 2026;18(837).
