Pesquisadores desenvolveram uma ferramenta que integra uma variedade de dados moleculares de pacientes e tumores, com o objetivo de orientar a medicina de precisão.

Uma promessa da medicina de precisão contra o câncer éque os oncologistas personalizem o tratamento com base no perfil molecular aºnico do paciente. Na prática , entretanto, interpretar a vasta gama de pontos de dados que compõem uma pessoa e seu câncer éum desafio, e são se torna mais difa­cil quando os oncologistas comea§am a considerar recursos complexos adicionais. Bancos de dados e ferramentas anala­ticas que os oncologistas podem usar normalmente se concentram em alterações individuais nas regiaµes codificadoras de protea­nas soma¡ticas ou não herdadas do genoma; geralmente não incluem outros tipos importantes de dados genanãticos, como variação herdada ou fusaµes soma¡ticas em genes. Cientistas e oncologistas também costumam considerar essas caracteri­sticas isoladamente, ao invanãs de juntas ou ao lado de caracteri­sticas que caracterizam um tumor globalmente.

Agora, pesquisadores do Dana-Farber Cancer Institute (DFCI) e do Broad Institute of MIT e Harvard criaram uma ferramenta que pode ajudar a melhorar a interpretação dos perfis moleculares do tumor. A ferramenta, chamada de Molecular Oncology Almanac e abreviado como MOAlmanac, integra diferentes tipos de dados de pacientes e seus tumores para identificar aqueles ligados ao prognóstico da doença e resistência ou sensibilidade a  terapaªutica. A plataforma também pode ajudar os pesquisadores a encontrar uma linha de células cancerosas com um perfil molecular semelhante ao de um tumor individual, bem como as drogas que podem matar essas células ou impedir seu crescimento em laboratório.

Brendan Reardon, Eliezer Van Allen (membro associado do Broad e professor associado do DFCI e da Harvard Medical School) e colegas desenvolveram o MOAlmanac e o testaram em diferentes grupos de pacientes. Eles descobriram que ele identificava cerca de duas estratanãgias terapaªuticas por paciente e fornecia mais hipa³teses cla­nicas do que algoritmos que analisavam apenas tipos tradicionais de dados.