Omitting tumor proliferation from prognostic gene expression models: a preregistered cross-cancer test, a transcriptome-wide measurement, and a survey of how often the omission is made
यह पूर्व-पंजीकृत अध्ययन प्रदर्शित करता है कि हेपेटोसेलुलर कार्सिनोमा और अन्य कैंसरों में रोगनिरूपक जीन अभिव्यक्ति मॉडलों से ट्यूमर प्रसार को हटाना व्यवस्थित रूप से लगभग सभी जीन अनुमानों को पक्षपाती बनाता है, फिर भी समूहों के बीच इस पक्षपात की निरंतरता और परिमाण के संबंध में लेखक के विशिष्ट पूर्वानुमान डेटा द्वारा काफी हद तक खंडित कर दिए गए।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें
कैंसर अनुसंधान की दुनिया में, वैज्ञानिक अक्सर ट्यूमर कोशिकाओं के भीतर मौजूद आनुवंशिक निर्देशों में पैटर्न की तलाश करते हैं ताकि वे रोगी की बीमारी के व्यवहार का पूर्वानुमान लगा सकें। वे विशिष्ट जीनों की खोज करते हैं जो चेतावनी संकेतों की तरह कार्य करते हैं, इस उम्मीद में कि उन्हें ऐसे मार्करों की एक सूची मिल सके जो डॉक्टर को यह बता सके कि क्या ट्यूमर के तेजी से बढ़ने या फैलने की संभावना है। ऐसा करने के लिए, शोधकर्ता सांख्यिकीय मॉडल बनाते हैं जो हजारों जीनों की सक्रियता को रोगियों के जीवित रहने के समय के विरुद्ध तौलते हैं। हालाँकि, इन मॉडलों को अन्य कारकों का भी ध्यान रखना चाहिए जो उत्तरजीविता (survival) को प्रभावित करते हैं, जैसे कि रोगी की आयु या ट्यूमर का आकार। यदि कोई शोधकर्ता उस प्रमुख कारक को शामिल करना भूल जाता है जो जीनों और उत्तरजीविता समय दोनों को प्रभावित करता है, तो मॉडल एक भ्रामक परिणाम दे सकता है। यह ऐसा दिख सकता है जैसे कोई विशिष्ट जीन खराब परिणाम का कारण है, जबकि वास्तव में वह जीन केवल एक ऐसी बस पर सवार यात्री है जिसे किसी अन्य, अनपेक्षित शक्ति द्वारा चलाया जा रहा है। इनमें से सबसे शक्तिशाली बलों में से एक है ट्यूमर प्रोलिफरेशन (tumor proliferation), जो सरल शब्दों में यह मापता है कि कैंसर कोशिकाएं कितनी तेजी से विभाजित और गुणा हो रही हैं। चूंकि तेजी से विभाजित होने वाली कोशिकाओं में धीमी गति से बढ़ने वाली कोशिकाओं की तुलना में अलग आनुवंशिक गतिविधि होती है, इसलिए इस गति की अनदेखी करना इस बात के पूरे चित्र को विकृत कर सकता है कि जीन वास्तव में क्या कर रहे हैं।
सून वू नाम (Soon Woo Nam) नामक एक शोधकर्ता ने यह जांचने के लिए हाथ में लिया कि यह विशिष्ट गलती कितनी बार होती है और जब यह होती है तो इसकी क्या कीमत चुकानी पड़ती है। उन्होंने इसकी शुरुआत पचास हालिया वैज्ञानिक शोध पत्रों को देखने से की जो लिवर कैंसर पर केंद्रित थे। उन्होंने यह देखने के लिए उन्हें विस्तार से पढ़ा कि क्या लेखक ने उनके मॉडलों में कोशिका विभाजन की गति के माप को शामिल किया था। परिणाम चौंकाने वाला था: उन इकतालीस शोध पत्रों में से एक भी, जिन्हें वह पूरी तरह से पढ़ सके, ने ट्यूमर प्रोलिफरेशन के लिए समायोजन नहीं किया था। वास्तव में, आधे से अधिक अध्ययनों ने उल्लेख किया था कि उनके उच्च-जोखिम वाले समूहों में तीव्र कोशिका विभाजन के लक्षण दिखाई दिए, फिर भी उन्होंने उस गति को एक जैविक जिज्ञासा के रूप में माना, न कि एक ऐसे चर (variable) के रूप में जिसे उनके गणित में नियंत्रित करने की आवश्यकता थी। इससे यह संकेत मिला कि किन जीनों की भविष्यवाणी उत्तरजीविता करती है, इसके बारे में प्रकाशित बड़ी संख्या में निष्कर्ष एक कमजोर नींव पर बने हो सकते हैं, जो पहेली के एक महत्वपूर्ण हिस्से को खो चुके हैं।
इस बात को समझने के लिए कि इस कारक को छोड़ने से वास्तव में क्या नुकसान हुआ है, नाम ने सैकड़ों लिवर कैंसर रोगियों के आनुवंशिक और उत्तरजीविता डेटा वाले एक विशाल सार्वजनिक डेटाबेस का रुख किया। उन्होंने उन लगभग सभी जीनों पर एक व्यापक परीक्षण चलाया जो उन ट्यूमर में सक्रिय थे। प्रत्येक जीन के लिए, उन्होंने उत्तरजीविता की भविष्यवाणी करने के लिए दो अलग-अलग मॉडल बनाए। पहला मॉडल मानक था, जिसमें आयु, लिंग और कैंसर के चरण को ध्यान में रखा गया था। दूसरा मॉडल बिल्कुल समान था, सिवाय इसके कि इसमें कोशिका विभाजन की गति को दर्शाने वाला एक स्कोर भी शामिल किया गया था। इसके बाद उन्होंने परिणामों की तुलना की। जब समीकरण में कोशिका विभाजन की गति को जोड़ा गया, तो लगभग हर एक जीन के अनुमानित महत्व में बदलाव आया। इस बदलाव का आकार यादृच्छिक (random) नहीं था; यह सीधे तौर पर इस बात पर निर्भर था कि उस विशिष्ट जीन की सक्रियता विभाजन की गति से कितनी निकटता से जुड़ी हुई है। यदि कोई जीन तीव्र विकास से मजबूती से जुड़ा था, तो विकास की गति को ध्यान में रखने के बाद उसके उत्तरजीविता पर अनुमानित प्रभाव में नाटकीय रूप से परिवर्तन आया। लिवर कैंसर के डेटा में, यह समायोजन इतना शक्तिशाली था कि इसने सांख्यिकीय रूप से महत्वपूर्ण दिखने वाले जीनों की संख्या को सैकड़ों से घटाकर केवल एक कर दिया।
नाम ने फिर एक गहरा प्रश्न पूछा: क्या यह पैटर्न सभी प्रकार के कैंसरों में सत्य है, या यह केवल लिवर तक ही सीमित है? डेटा देखने से पहले, उन्होंने एक सार्वजनिक विज्ञान रजिस्ट्री के साथ एक औपचारिक भविष्यवाणी दर्ज की, जिसमें उन्होंने कहा था कि उन्हें उम्मीद है कि कम से कम दस प्रतिशत अलग-अलग कैंसर प्रकारों में यह नीचे की ओर झुकाव (downward shift) देखने को मिलेगा। उन्होंने दस अलग-अलग कैंसर डेटासेट्स पर इस भविष्यवाणी का परीक्षण किया, जिनमें फेफड़ों और गुर्दे से लेकर कोलन और डिम्बग्रंथि (ovarian) कैंसर तक शामिल थे। परिणाम उनकी अपनी परिकल्पना का खंडन करने वाला था। यह पैटर्न हर जगह लागू नहीं हुआ। उनके द्वारा परीक्षण किए गए आधे कैंसर प्रकारों में, बदलाव की दिशा उनके अनुमान के विपरीत थी। कुछ कैंसरों में, कोशिका विभाजन स्कोर जोड़ने से जीन के अनुमान बढ़ गए; दूसरों में, यह नीचे गिर गए। परिवर्तन की दिशा जीव विज्ञान का कोई निश्चित नियम नहीं थी, बल्कि यह इस बात से निर्धारित होती थी कि कोशिका विभाजन स्वयं उस विशिष्ट कैंसर में उत्तरजीविता के भविष्यवक्ता के रूप में कितनी मजबूती से कार्य करता है। जिन कैंसरों में तीव्र विभाजन खराब परिणाम का एक मजबूत संकेत था, वहां कोशिका विभाजन की गति को ध्यान में रखने के बाद विभाजन से जुड़े जीन कम खतरनाक दिखाई दिए। जिन कैंसरों में विभाजन ने परिणामों की मजबूती से भविष्यवाणी नहीं की, वहां यह बदलाव न्यूनतम या उल्टा था।
यह खोज प्रकट करती है कि ट्यूमर प्रोलिफरेशन की अनदेखी करने से उत्पन्न होने वाला पूर्वाग्रह (bias) एक सरल त्रुटि नहीं है जो हमेशा एक ही दिशा में परिणाम देती है। इसके बजाय, यह एक तरल विरूपण (fluid distortion) है जो पूरी तरह से अध्ययन किए जा रहे कैंसर की विशिष्ट जीव विज्ञान पर निर्भर करता है। अध्ययन ने वैज्ञानिक रिपोर्टिंग में एक व्यावहारिक समस्या पर भी प्रकाश डाला। चूंकि अधिकांश शोध पत्र यह नहीं बताते कि उन्होंने किन कारकों के लिए समायोजन किया है, इसलिए पाठक यह नहीं जान सकता कि रिपोर्ट किया गया जीन वास्तव में बीमारी का चालक (driver) है या केवल अनपेक्षित कोशिका विभाजन का प्रतिबिंब है। शोधकर्ता एक सरल समाधान का सुझाव देते हैं: वैज्ञानिकों को अपने स्वयं के विशिष्ट रोगियों के समूह में कोशिका विभाजन के संकेत की शक्ति की रिपोर्ट करनी चाहिए और यह दिखाना चाहिए कि उस संकेत को शामिल करने पर उनके जीन अनुमान कैसे बदलते हैं। यह आवश्यक रूप से इस समस्या को हल नहीं करेगा कि कौन से जीन वास्तव में कारण संबंधी (causal) हैं, लेकिन यह निर्भरता को दृश्यमान बना देगा, जिससे डॉक्टरों और अन्य शोधकर्ताओं को उन नंबरों के पूर्ण संदर्भ को देखने की अनुमति मिलेगी जिन्हें वे पढ़ रहे हैं। यह कार्य एक अनुस्मारक के रूप में कार्य करता है कि कैंसर जेनेटिक्स के जटिल परिदृश्य में, एक एकल जीन के बारे में प्रश्न का उत्तर ट्यूमर के समग्र व्यवहार से अलग नहीं किया जा सकता।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।