SLC25A37, FKBP8, and PHOSPHO1 Emerge as Reproducible Core Biomarkers of Acute Myeloid Leukemia Through Integrative Machine Learning

Leukämie ist eine Krebserkrankung des Blutes und des Knochenmarks, dem schwammigen Gewebe im Inneren unserer Knochen, in dem neue Blutzellen geboren werden. In einem gesunden Körper produziert diese Fabrik einen stetigen Strom verschiedener Zelltypen, von denen jeder eine spezifische Aufgabe hat, etwa den Transport von Sauerstoff oder die Bekämpfung von Infektionen. Die akute myeloische Leukämie, oder AML, ist eine besonders aggressive Form dieser Erkrankung, bei der die Fabrik feststeckt. Anstatt zu nützlichen Zellen heranzureifen, vermehren sich die unreifen Vorläuferzellen, bekannt als Blasten, unkontrolliert und verdrängen die gesunden Zellen. Diese Blockade verhindert, dass der Körper die Blutzellen produziert, die er zum Überleben benötigt. Obwohl Ärzte die Krankheit identifizieren können, war es schwierig, eine einfache, zuverlässige Methode zu finden, um sie über verschiedene Patienten hinweg von normalem Knochenmark zu unterscheiden. Die Krankheit ist komplex, mit vielen verschiedenen genetischen Variationen, was es schwierig macht, ein einzelnes Set von Markern festzulegen, das für jeden funktioniert.

Ein Forscher setzte sich zum Ziel, dieses Problem zu lösen, indem er die genetischen Anweisungen innerhalb dieser Zellen untersuchte. Jede Zelle enthält eine riesige Bibliothek von Genen, und die spezifischen Anweisungen, die in diesem Moment gelesen werden – bekannt als Genexpression –, fungieren wie ein Fingerabdruck für den Zustand dieser Zelle. Bei AML ist dieser Fingerabdruck verzerrt. Der Forscher wollte eine kleine, konsistente Gruppe von Genen finden, die bei Leukämiepatienten immer ein- oder ausgeschaltet sind, unabhängig vom spezifischen Subtyp der Erkrankung. Um dies zu erreichen, griff er auf eine leistungsstarke Kombination aus Informatik und Biologie zurück. Er sammelte genetische Daten von einer kleinen Gruppe von Patienten und gesunden Freiwilligen, um einen Computer zu trainieren, und testete seine Ergebnisse anschließend an einer viel größeren, unabhängigen Patientengruppe, um zu sehen, ob das Muster Bestand hatte.

Die Studie begann mit einer Entdeckungsphase unter Verwendung von RNA-Sequenzierungsdaten von zwanzig Individuen: zehn mit AML und zehn mit gesundem Knochenmark. Der Forscher scannte zunächst die genetischen Daten, um zu sehen, welche Gene zwischen der kranken und der gesunden Gruppe anders reagierten. Er fand ein massives Ungleichgewicht in der genetischen Aktivität. Während nur wenige Gene in den gesunden Kontrollen hochreguliert waren, waren in den Leukämieproben tausende herunterreguliert und eine kleinere, aber signifikante Anzahl war hochreguliert. Dieses weitverbreitete Abschalten von Genen spiegelt die Fähigkeit der Krankheit wider, den normalen Reifungsprozess der Blutzellen zu stoppen. Aus dieser umfangreichen Liste von Veränderungen nutzte der Forscher ein maßgeschneidertes Bewertungssystem, um die Kandidaten einzugrenzen. Dieses System betrachtete nicht nur, wie stark sich ein Gen veränderte, sondern auch, wie konsistent es sich über verschiedene Patienten hinweg veränderte und wie klar es Kranke von Gesunden trennte. Dieser Prozess schrumpfte die Liste auf fünfzig vielversprechende Kandidaten zusammen.

Als Nächstes setzte der Forscher drei verschiedene Arten von Machine-Learning-Algorithmen ein, bei denen es sich um Computerprogramme handelt, die darauf ausgelegt sind, Muster in komplexen Daten zu finden. Jeder Algorithmus näherte sich dem Problem aus einem etwas anderen Blickwinkel, ganz ähnlich wie drei verschiedene Experten, die dasselbe Rätsel betrachten. Eine Methode suchte nach Genen, die in Kombination den Krankheitsstatus am besten vorhersagen konnten. Eine andere Methode rankte Gene danach, wie sehr sie zum Gesamtmuster beitrugen. Eine dritte Methode entfernte systematisch Gene, um zu sehen, welche wirklich essenziell waren. Indem der Forscher verlangte, dass ein Gen von mindestens zwei dieser drei verschiedenen Methoden ausgewählt werden musste, stellte er sicher, dass er nicht nur zufälliges Rauschen fand. Dieser Konsensansatz führte zu einer endgültigen Liste von zwölf Genen, die die zwanzig Patienten in der ursprünglichen Gruppe perfekt unterscheiden konnten.

Um diese Liste einzuordnen, kartierte der Forscher, wie diese zwölf Gene miteinander interagieren, und erstellte ein Netzwerk, um zu sehen, welche davon zentral für die Gruppe waren. Diese Analyse enthüllte einen Kern-Hub aus sechs Genen, die eng miteinander verbunden waren. Diese sechs Gene enthielten Komponenten von Hämoglobin, dem Protein, das Sauerstoff transportiert, sowie drei weitere Gene mit spezifischen Rollen in der Zellfunktion. Der Forscher nahm daraufhin diese Sechs-Gen-Signatur und testete sie gegen einen völlig separaten Datensatz, der 157 AML-Proben aus einer anderen Quelle enthielt. Dieser Schritt war entscheidend, um zu beweisen, dass die Ergebnisse kein Zufallsprodukt der ersten kleinen Gruppe waren.

Die Ergebnisse dieses groß angelegten Tests waren beeindruckend. Während die hämoglobinbezogenen Gene eine variable Konsistenz zeigten – wahrscheinlich, weil unterschiedliche Arten von Leukämie die Produktion von Blutzellen auf unterschiedliche Weise beeinflussen –, stachen drei spezifische Gene mit absoluter Zuverlässigkeit hervor. Diese drei Gene, benannt als SLC25A37, FKBP8 und PHOSPHO1, wiesen in jeder einzelnen der 157 Patienten der Validierungsgruppe erhöhte Werte auf. Mit anderen Worten: Jede einzelne Leukämieprobe in dieser großen Gruppe zeigte höhere Werte dieser Gene als der höchste Wert, der bei einer gesunden Person beobachtet wurde. Diese perfekte Konsistenz deutet darauf hin, dass diese drei Gene fundamental für die Biologie der AML sind, unabhängig vom spezifischen genetischen Subtyp des Patienten.

Weitere Analysen darüber, was diese Gene bewirken, enthüllten eine duale Geschichte darüber, wie die Krankheit operiert. Der erste Teil der Geschichte betrifft das Immunsystem. Die Daten zeigten, dass Gene, die mit der ersten Verteidigungslinie des Körpers zusammenhängen, insbesondere solche, die an der Aktivierung von weißen Blutkörperchen namens Neutrophile beteiligt sind, hochreguliert waren. Dies deutet darauf hin, dass die Leukämiezellen das natürliche Alarmsystem des Körpers kapensetzen, um eine Umgebung zu schaffen, die ihr Wachstum unterstützt. Der zweite Teil der Geschichte betrifft die interne Maschinerie der Zelle. Die Studie fand heraus, dass die Gene, die für die Reinigung beschädigter Zellteile verantwortlich sind, insbesondere der Mitochondrien, die als Kraftwerke der Zelle fungieren, gestört waren. Gleichzeitig waren Gene, die normalerweise mit der Bildung roter Blutkörperchen assoziiert sind, abnormal aktiv, was darauf hindeutet, dass die Leukämiezellen über ihre eigene Identität verwirrt sind und versuchen, wie rote Blutzellen zu agieren, während sie unreife Krebszellen bleiben.

Der Forscher kam zu dem Schluss, dass diese Sechs-Gen-Signatur, und insbesondere die drei Kern-Gene, eine robuste und reproduzierbare Möglichkeit bietet, akute myeloische Leukämie zu identifizieren. Die Studie behauptete nicht, ein Heilmittel gefunden zu haben, sondern vielmehr ein hochzuverlässiges Diagnosewerkzeug. Durch die Kombination eines sorgfältigen Bewertungssystems, mehrerer Lernmethoden des Computers und eines großen unabhängigen Tests identifizierte der Forscher einen molekularen Fingerabdruck, der über ein breites Spektrum von Patienten hinweg konsistent ist. Die drei herausragenden Gene weisen auf spezifische biologische Prozesse hin – Eisenstoffwechsel, Zellüberleben und Lipid-Remodeling –, die zentral für die Krankheit sind. Diese Arbeit legt den Grundstein für die Entwicklung einfacherer, auf Expression basierender Tests, die Ärzten helfen könnten, die Krankheit genauer zu diagnostizieren und potenziell zukünftige Behandlungen zu Leiten, die auf diese spezifischen biologischen Pfade abzielen.