Machine Learning-Based Identification of a Glycolysis- Related Prognostic Signature and CENPA in Endometrial Cancer

कैंसर को अक्सर अनियंत्रित विकास की बीमारी के रूप में वर्णित किया जाता है, लेकिन उस बेकाबू विस्तार के नीचे ऊर्जा के उपभोग के तरीके में एक मौलिक बदलाव छिपा होता है। स्वस्थ कोशिकाएं आमतौर पर ईंधन को कुशलतापूर्वक जलाती हैं, लेकिन कैंसर कोशिकाएं अक्सर ग्लाइकोलाइसिस नामक एक तेज़, कम कुशल तरीके की ओर स्विच कर जाती हैं। यह मेटाबॉलिक शॉर्टकट ट्यूमर को तेजी से बढ़ने और कठिन परिस्थितियों के अनुकूल होने में मदद करता है, लेकिन यह एक विशिष्ट रासायनिक छाप भी छोड़ देता है। एंडोमेट्रियल कैंसर के जटिल परिदृश्य में, जो गर्भाशय की परत को प्रभावित करने वाली बीमारी है, शोधकर्ता लंबे समय से इस बात का अनुमान लगाने का तरीका खोज रहे हैं कि किन रोगियों को सबसे खतरनाक परिणामों का सामना करना पड़ सकता है। जबकि सर्जरी और अन्य उपचार कई लोगों के लिए अच्छी तरह काम करते हैं, यह बीमारी दूसरों में आक्रामक रूप से वापस आ सकती है, और डॉक्टरों के पास वर्तमान में उपचार शुरू होने से पहले दोनों समूहों के बीच अंतर करने के लिए कोई सटीक उपकरण नहीं है।

चीन के अस्पतालों के शोधकर्ताओं की एक टीम ने इस बात की जांच करके उस लापता कड़ी को खोजने का प्रयास किया कि कौन से विशिष्ट जीन इस ऊर्जा स्विच को संचालित करते हैं। उन्होंने केवल एक खराब जीन की तलाश नहीं की; इसके बजाय, उन्होंने कैंसर के जेनेटिक कोड को एक विशाल पुस्तकालय की तरह माना और उन विशिष्ट पुस्तकों की तलाश की जिन्हें उन रोगियों में बहुत ज़ोर से पढ़ा जा रहा था जिनका परिणाम खराब रहा। हजारों रोगी नमूनों के डेटा को उन्नत कंप्यूटर एल्गोरिदम के साथ जोड़कर, उन्होंने सात जीनों के एक अनूठे सेट की पहचान की जो जोखिम के जैविक बैरोमीटर के रूप में कार्य करते हैं। इन सात में से, एक जीन विशेष रूप से महत्वपूर्ण बनकर उभरा, जो इस बारे में एक नया सुराग देता है कि क्यों कुछ ट्यूमर अधिक आक्रामक होते हैं।

शोधकर्ताओं ने बड़ी मात्रा में सार्वजनिक डेटाबेस से जेनेटिक जानकारी एकत्र करके अपना काम शुरू किया, जिसमें सैकड़ों महिलाओं के एंडोमेट्रियल कैंसर के नमूने और तुलना के लिए स्वस्थ ऊतक शामिल थे। उन्होंने सबसे पहले इस डेटा को छानकर उन हजारों जीनों को खोजा जो कैंसर के नमूनों में अलग तरह से व्यवहार कर रहे थे। इस लंबी सूची से, उन्होंने उन विशिष्ट जीनों को अलग किया जो ग्लाइकोलाइसिस (चीनी जलाने की प्रक्रिया जो ट्यूमर को ईंधन देती है) में शामिल होने के लिए जाने जाते हैं। इसने उनके ध्यान को प्रबंधनीय समूह तक सीमित कर दिया। फिर उन्होंने इन उम्मीदवारों की रोगी उत्तरजीविता (सर्वाइवल) रिकॉर्ड के साथ क्रॉस-रेफरेंस की ताकि यह देखा जा सके कि कौन से जीन रोगी के जीवित रहने की अवधि से जुड़े हैं। इस प्रक्रिया ने सूची को सोलह जीनों तक कम कर दिया जो रोगी के परिणामों के साथ एक मजबूत संबंध दिखाते थे।

इन सोलह जीनों को एक व्यावहारिक उपकरण में बदलने के लिए, टीम ने मशीन लर्निंग तकनीकों के एक समूह का उपयोग किया। कल्पना कीजिए कि विशेषज्ञों से भरा एक कमरा है, जहाँ प्रत्येक के पास पहेली सुलझाने का अपना तरीका है। शोधकर्ताओं ने इन कंप्यूटर प्रोग्रामों को हजारों सिमुलेशन चलाने दिया, जिसमें इन सोलह जीनों के हर संभावित संयोजन का परीक्षण किया गया ताकि यह देखा जा सके कि कौन सा मिश्रण रोगी के भविष्य की सबसे अच्छी भविष्यवाणी कर सकता है। एक सौ सत्रह अलग-अलग मॉडलों का मूल्यांकन करने के बाद, एक संयोजन सबसे सटीक बनकर उभरा। यह विजेता मॉडल सात जीनों के एक विशिष्ट सेट पर आधारित था: CLDN9, CENPA, GPI, TFF3, FBP1, SPAG4, और AURKA। जब शोधकर्ताओं ने प्रत्येक रोगी के लिए जोखिम स्कोर की गणना करने के लिए इस सात-जीन सिग्नेचर का उपयोग किया, तो इसने सफलतापूर्वक उन्हें दो स्पष्ट समूहों में विभाजित किया: वे जिनकी कम जोखिम है और वे जो उच्च जोखिम वाले हैं।

मॉडल ने अपनी उपयोगिता तब सिद्ध की जब इसे उस डेटा के विरुद्ध परखा गया जिसे इसने पहले नहीं देखा था। उन रोगियों के समूह में जिनका उपयोग मॉडल को प्रशिक्षित करने के लिए किया गया था, इसने उच्च सटीकता के साथ उत्तरजीविता परिणामों की भविष्यवाणी की। एक अलग समूह के रोगियों पर लागू किए जाने पर, मॉडल ने अपनी क्षमता बनाए रखी, जिससे वह उच्च-जोखिम और निम्न-जोखिम वाले व्यक्तियों के बीच अंतर करने में सक्षम रहा। मॉडल द्वारा उच्च-जोखिम के रूप में वर्गीकृत किए गए रोगियों की उत्तरजीविता का समय निम्न-जोखिम वाले समूह की तुलना में काफी कम था। शोधकर्ताओं ने एक विजुअल चार्ट, या नोमोग्राम भी बनाया जिसका उपयोग डॉक्टर रोगी की आयु और ट्यूमर स्टेज को इस जेनेटिक रिस्क स्कोर के साथ जोड़कर एक, तीन और पांच वर्षों में उनकी उत्तरजीविता की संभावनाओं की व्यक्तिगत भविष्यवाणी करने के लिए कर सकते हैं।

केवल यह भविष्यवाणी करने के अलावा कि कौन जीवित रहेगा, अध्ययन ने यह भी पता लगाया कि इन उच्च-जोखिम वाले रोगियों के ट्यूमर के भीतर जैविक रूप से क्या हो रहा है। विश्लेषण से पता चला कि उच्च-जोखिम वाला समूह केवल एक सांख्यिकीय श्रेणी नहीं थी; यह एक विशिष्ट जैविक अवस्था का प्रतिनिधित्व करती थी। इन ट्यूमर ने प्रतिरक्षा कोशिका गतिविधि के अलग पैटर्न दिखाए, जिनमें ट्यूमर वातावरण में कैंसर से लड़ने वाली प्रतिरक्षा कोशिकाओं की कमी देखी गई। इन ट्यूमर की जेनेटिक संरचना भी भिन्न थी, जिसमें TP53 नामक जीन में उत्परिवर्तन (म्यूटेशन) की उच्च आवृत्ति देखी गई, जो अक्सर आक्रामक कैंसर व्यवहार से जुड़ा होता है, जबकि निम्न-जोखिम समूह में PTEN नामक एक अलग जीन में अधिक उत्परिवर्तन देखे गए। इसके अलावा, मॉडल ने सुझाव दिया कि उच्च-जोखिम वाले रोगी कुछ दवाओं के प्रति अलग तरह से प्रतिक्रिया कर सकते हैं, जो इस बात की ओर संकेत करता है कि 'एक ही आकार सबके लिए उपयुक्त' (वन-साइज़-फिट्स-ऑल) वाला उपचार दृष्टिकोण हर किसी के लिए सबसे अच्छा नहीं हो सकता है।

इस कहानी का एक केंद्रीय पात्र सात जीनों में से एक, CENPA है। हालांकि अध्ययन ने यह साबित नहीं किया कि CENPA सीधे तौर पर शुगर-बर्निंग स्विच का कारण बनता है, लेकिन इसने इस जीन को उच्च-जोखिम वाले समूह में एक प्रमुख खिलाड़ी के रूप में रेखांकित किया। शोधकर्ताओं ने एक ऐसी तकनीक का उपयोग करके ट्यूमर के भीतर व्यक्तिगत कोशिकाओं का अध्ययन किया जो केवल पूरे ऊतक के औसत के बजाय एकल कोशिका में जीन गतिविधि को देखने की अनुमति देती है। उन्होंने पाया कि CENPA ट्यूमर के भीतर विभिन्न प्रकार की कोशिकाओं में सक्रिय था, लेकिन उन्नत बीमारी और कम उत्तरजीविता वाले रोगियों में इसका स्तर लगातार अधिक था। यह सुझाव देता है कि CENPA कैंसर के अधिक खतरनाक रूप के लिए एक विश्वसनीय मार्कर है, भले ही इसकी सटीक भूमिका मेटाबॉलिक प्रक्रिया में पूरी तरह से समझ में न आई हो।

शोधकर्ताओं ने अपने काम की सीमाओं को सावधानीपूर्वक नोट किया। मॉडल को एक एकल बड़े डेटाबेस के डेटा का उपयोग करके बनाया और परखा गया था, और हालांकि परिणाम उस समूह के भीतर सुसंगत थे, लेकिन उन्हें किसी दूसरे अस्पताल या देश के पूरी तरह से अलग रोगियों के समूह में अभी तक पुष्ट नहीं किया गया है। अध्ययन ने दवाओं के प्रति रोगियों की प्रतिक्रिया का अनुमान लगाने के लिए कंप्यूटर सिमुलेशन पर भी भरोसा किया, जो एक उपयोगी शुरुआती बिंदु है लेकिन वास्तविक क्लिनिकल ट्रायल का विकल्प नहीं है। शुगर-बर्निंग जीनों और ट्यूमर के आक्रामक व्यवहार के बीच का संबंध डेटा में पाया गया एक मजबूत संबंध है, लेकिन उन्हें जोड़ने वाली सटीक घटनाओं की श्रृंखला के लिए आगे के प्रयोगशाला अनुसंधान की आवश्यकता है।

अंततः, यह कार्य एंडोमेट्रियल कैंसर को देखने के लिए एक नया नजरिया प्रदान करता है। यह केवल ट्यूमर के आकार या स्टेज को देखने से आगे बढ़कर रोग को चलाने वाली आंतरिक मेटाबॉलिक और जेनेटिक मशीनरी को देखता है। सात-जीन सिग्नेचर की पहचान करके, शोधकर्ताओं ने उन रोगियों की पहचान करने के लिए एक संभावित उपकरण प्रदान किया है जिन्हें शुरुआत से ही सबसे आक्रामक देखभाल की आवश्यकता है। CENPA पर ध्यान केंद्रित करना भविष्य के अध्ययन के लिए एक नया लक्ष्य जोड़ता है, जो बताता है कि इस जीन को समझने से यह जानने में गहरी अंतर्दृष्टि मिल सकती है कि कुछ ट्यूमर इतने कठिन क्यों होते हैं। हालांकि एक कंप्यूटर मॉडल से नियमित अस्पताल परीक्षण तक का रास्ता लंबा है, यह अध्ययन एंडोमेट्रियल कैंसर से लड़ने के लिए एक अधिक व्यक्तिगत दृष्टिकोण की दिशा में एक स्पष्ट आधार तैयार करता है।