Machine Learning–Based Classification of Cancer Using Promoter-Associated 5-Hydroxymethylcytosine Signatures in Cell-Free DNA
Diese Studie zeigt, dass ein maschinelles Lernverfahren, das promoterassoziierte 5-Hydroxymethylcytosin (5hmC)-Signaturen aus zellfreier DNA nutzt, Krebs effektiv und präzise von gesunden Proben unterscheiden kann und somit eine vielversprechende nicht-invasive Strategie für die Krebsfrüherkennung und Präzisionsonkologie bietet.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen
Krebs ist eine Krankheit der fehlerhaften Anweisungen des eigenen Körpers. Seit Jahrzehnten suchen Ärzte nach Anzeichen dieser Probleme, indem sie nach zerbrochenen DNA-Stücken oder mutierten Genen im Blut suchen. Obwohl diese genetischen Hinweise wertvoll sind, treten sie oft erst auf, wenn ein Tumor bereits groß genug ist, um eine signifikante Menge an Material abzugeben. Dies hinterlässt eine Lücke in der Früherkennung, in der ein Krebs zwar vorhanden sein kann, aber zu klein ist, um einen genetischen Fingerabdruck zu hinterlassen. Wissenschaftler haben ihre Aufmerksamkeit kürzlich auf eine andere Art von Signal gelenkt: chemische Markierungen, die an der DNA haften und den genetischen Code selbst nicht verändern, sondern wie Lautstärkeregler wirken, die Gene lauter oder leiser stellen. Eines dieser Markierungen, genannt 5-Hydroxymethylcytosin, ist besonders interessant, da es in spezifischen Mustern vorkommt, je nachdem, aus welcher Art von Zelle es stammt. Wenn eine Zelle bösartig wird, verschieben sich diese Muster auf eine Weise, die sich deutlich von gesunden Zellen unterscheidet. Da diese chemischen Markierungen im Blut überleben, bieten sie eine potenzielle Möglichkeit, Krebs frühzeitig zu erkennen – nicht durch das Finden eines defekten Gens, sondern durch das Bemerken, dass die Anweisungen für den Betrieb der Zelle umgeschrieben wurden.
Eine neue Studie des Forschers Tisha Sehrawat untersucht, ob diese chemischen Muster im Blut verwendet werden können, um zwischen einer Person mit Krebs und einer gesunden Person zu unterscheiden. Das Team sammelte Daten aus einer öffentlichen Datenbank, die Proben von 804 Personen enthielt, darunter 458 Menschen mit verschiedenen Arten von Krebs und 346 gesunde Freiwillige. Anstatt das gesamte Genom auf einmal zu betrachten, was dem Versuch gleichkäme, jedes Wort in einer Bibliothek zu lesen, um einen einzigen Tippfehler zu finden, konzentrierten sich die Forscher auf spezifische Startpunkte von Genen, die als Transkriptionsstartstellen bekannt sind. Sie maßen die Menge der chemischen Markierung um diese Startpunkte herum für Tausende von Genen in jeder Probe. Dies erstellte eine detaillierte Karte der chemischen Aktivität für jede Person in der Studie.
Um diese gewaltige Menge an Daten zu verstehen, nutzten die Forscher Computerprogramme, die darauf trainiert sind, Muster zu erkennen – ein Feld, das als maschinelles Lernen bekannt ist. Sie brachten diesen Programmen bei, die chemischen Karten zu analysieren und zu entscheiden, ob eine Probe von einem Krebspatienten oder einer gesunden Person stammte. Das Team testete drei verschiedene Arten von Lernprogrammen, um zu sehen, welches am besten funktionierte. Das erfolgreichste Programm, das dadurch arbeitet, viele kleine Entscheidungsbäume aufzubauen und deren Antworten zu kombinieren, konnte Krebs in etwa 78 Prozent der Testfälle, die es zuvor noch nie gesehen hatte, korrekt identifizieren. Es identifizierte gesunde Personen zudem in etwa 72 Prozent der Fälle korrekt. Obwohl dies nicht perfekt ist, ist es ein starkes Signal dafür, dass die chemischen Muster im Blut genügend Informationen tragen, um zwischen den beiden Gruppen zu unterscheiden.
Die Studie untersuchte auch, welche spezifischen Gene am wichtigsten für diese Entscheidungen waren. Als der Computer die Daten ohne vorherige Anweisungen betrachtete, fand er, dass die nützlichsten Signale von einer Mischung aus Genen stammten, von denen viele zuvor nicht als Haupttreiber von Krebs bekannt waren. Als die Forscher den Computer jedoch dazu zwangen, nur auf Gene zu schauen, die bereits als an Krebs beteiligt bekannt waren, arbeitete das Programm immer noch sehr gut. Dies deutet darauf hin, dass die mit Krebs assoziierten chemischen Veränderungen weit verbreitet sind und viele verschiedene Teile des Genoms betreffen, nicht nur einige wenige berühmte Krebsgene. Die einflussreichsten Gene, die der Computer identifizierte, waren an der Steuerung des Zellwachstums, der Zellteilung und der Art und Weise beteiligt, wie Zellen miteinander kommunizieren.
Einer der wichtigsten Funde der Studie war, dass das vom Computer gefundene Signal nicht einfach ein Spiegelbild der verschiedenen Arten von Blutzellen ist, die im Körper zirkulieren. Die Forscher testeten, ob die Ergebnisse lediglich die natürlichen Unterschiede in der Blutzusammensetzung zwischen Menschen widerspiegelten. Selbst nachdem sie diese Faktoren berücksichtigt hatten, konnte der Computer Krebs immer noch mit hoher Genauigkeit von Gesundheit unterscheiden. Dies deutet darauf hin, dass die chemischen Muster tatsächlich mit dem Vorhandensein der Krankheit verknüpft sind und nicht bloß das Hintergrundrauschen des Blutes darstellen. Die Studie zeigte auch, dass die chemischen Veränderungen nicht einheitlich waren; einige Gene hatten bei Krebspatienten mehr von der Markierung, während andere weniger hatten. Dieses komplexe, multidirektionale Muster ist das, was der Computer zu erkennen lernte.
Trotz dieser vielversprechenden Ergebnisse weisen die Forscher vorsichtig darauf hin, dass dies ein Proof-of-Concept ist und kein fertiger medizinischer Test. Die Studie basierte auf bestehenden Daten, und die Computermodelle wurden an Proben getestet, die Teil derselben Sammlung waren. Um ein echtes diagnostisches Werkzeug zu werden, müsste ein solcher Test an völlig neuen Patientengruppen in verschiedenen Krankenhäusern und unter unterschiedlichen Bedingungen validiert werden. Die aktuellen Modelle machen auch Fehler, indem sie manchmal einen Krebsfall übersehen oder eine gesunde Person fälschlicherweise als krank einstufen. Die Forscher schlagen vor, dass zukünftige Arbeiten darauf abzielen sollten, diese chemischen Signale mit anderen Arten von Daten zu kombinieren, wie etwa der Größe von DNA-Fragmenten oder anderen chemischen Markierungen, um die Genauigkeit zu verbessern.
Die Arbeit zeigt, dass die chemische Landschaft der DNA im Blut eine reiche, mehrdimensionale Geschichte über die Gesundheit eines Menschen enthält. Indem sie sich auf die Startpunkte der Gene konzentrieren und modernes Computerlernen einsetzen, können Wissenschaftler beginnen, diese Geschichte mit zunehmender Klarheit zu lesen. Die Ergebnisse legen nahe, dass Krebs eine breite, koordinierte Signatur im Blut hinterlässt, die über einfache genetische Mutationen hinausgeht. Obwohl der Weg zu einem klinischen Test lang ist, bietet diese Studie ein solides Fundament für die Überzeugung, dass die chemische Sprache des Genoms in ein mächtiges Werkzeug zur Krebsfrüherkennung übersetzt werden kann.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.