Characterizing the landscape of gene process dependencies in cancer
Questo studio introduce BioBombe, un framework di AI/ML che analizza i dati DepMap per identificare dipendenze complesse nei processi genici oltre i singoli target genici, rivelando così nuove vulnerabilità tumorali e consentendo la previsione e la validazione di candidati farmaceutici efficaci per l'oncologia di precisione.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA di un preprint non sottoposto a revisione paritaria. Non è un consiglio medico. Non prendere decisioni sulla salute basandoti su questo contenuto. Leggi il disclaimer completo
Il cancro è una malattia di istruzioni interrotte. All'interno di una cellula sana, i geni agiscono come una vasta biblioteca di manuali, che dicono alla cellula quando crescere, quando fermarsi e come ripararsi. Quando il cancro prende il sopravvento, questi manuali vengono corrotti. Per decenni, l'approccio medico per risolvere questo problema è stato quello di trovare il singolo manuale più rotto e cercare di sostituirlo. Questa strategia, nota come oncologia di precisione, ha salvato vite accoppiando farmaci specifici a errori genetici specifici, come una mutazione in un singolo gene che guida la crescita di un tumore. Tuttavia, questo metodo ha raggiunto un limite. Funziona solo per una piccola frazione di pazienti perché il cancro raramente è causato da un'unica istruzione interrotta. Al contrario, i tumori sopravvivono facendo affidamento su reti complesse e coordinate di molti geni che lavorano insieme, proprio come una macchina che continua a funzionare anche se un ingranaggio si blocca, perché gli altri ingranaggi si sono adattati per compensare.
Per capire come queste macchine continuino a funzionare, i ricercatori devono guardare oltre i singoli ingranaggi e vedere l'intero sistema. Questa è la sfida affrontata da un nuovo studio condotto dai ricercatori dell'Università del Colorado Anschutz e del Children's Hospital Colorado. Si sono posti una domanda fondamentale: se non possiamo guardare solo un gene interrotto, possiamo mappare l'intera rete di dipendenze di cui una cellula cancerosa ha bisogno per sopravvivere? Trattando le cellule cancerose non come collezioni di singoli geni ma come sistemi complessi, il team ha sviluppato un modo per scoprire i gruppi nascosti di geni che agiscono come vere linee vitali per i tumori. Il loro lavoro suggerisce che il futuro del trattamento del cancro potrebbe non risiedere nel colpire singoli geni, ma nel interrompere l'intero processo biologico che questi geni sostengono.
I ricercatori si sono rivolti a un enorme database pubblico chiamato Cancer Dependency Map, che contiene i risultati di esperimenti in cui gli scienziati hanno spento sistematicamente migliaia di geni in centinaia di diverse linee cellulari tumorali per vedere di quali geni le cellule non potessero fare a meno per sopravvivere. Tradizionalmente, gli scienziati analizzano questi dati osservando quali singoli geni sono essenziali. Il nuovo studio, tuttavia, ha applicato a questi dati un sofisticato framework di apprendimento computazionale chiamato BioBombe. Invece di chiedere "quale gene è essenziale?", il computer è stato addestrato per trovare schemi attraverso migliaoli di geni simultaneamente. Cercava gruppi di geni che, se spenti insieme, causavano la morte della cellula, rivelando che la sopravvivenza della cellula dipendeva da specifici processi biologici, come il modo in cui si divide o come genera energia.
Per garantire che questi schemi fossero reali e non solo rumore casuale, il team non si è affidato a un singolo modello computazionale. Hanno addestrato centinaia di modelli diversi, ognuno dei quali analizzava i dati in modo leggermente diverso e cercava schemi di dimensioni differenti. Questo approccio ha permesso di catturare una gamma molto più ampia di segnali biologici rispetto a qualsiasi metodo singolo. Il computer ha identificato con successo migliaia di questi gruppi di geni, che i ricercatori chiamano "dipendenze di processo genico". Quando hanno esaminato cosa facessero effettivamente questi gruppi, hanno scoperto che corrispondevano a funzioni biologiche note e critiche. Ad esempio, i modelli hanno evidenziato gruppi di geni coinvolti nella divisione cellulare e gruppi coinvolti nel ciclo dell'acido citrico, un processo che le cellule usano per creare energia. Fondamentalmente, lo studio ha dimostrato che questi gruppi non erano solo collezioni casuali di geni; rappresentavano sistemi biologici coerenti su cui le cellule cancerose facevano affidamento.
Il vero potere di questo approccio è emerso quando i ricercatori hanno collegato questi gruppi di geni alla sensibilità ai farmaci. Hanno confrontato le mappe dei processi genici che avevano costruito con i dati su come centinaia di linee cellulari tumorali rispondessero a migliaia di farmaci diversi. Hanno scoperto che specifici gruppi di geni erano fortemente legati al fatto che un farmaco uccidesse una cellula o fallisse nel farlo. Ad esempio, hanno confermato che i tumori che dipendono fortemente da un percorso specifico che coinvolge una proteina chiamata p53 sono sensibili a una classe di farmaci progettati per colpire quel percorso. Ancora più importante, il metodo ha svelato nuove possibilità. Nei gliomi, un tipo di tumore cerebrale notoriamente difficile da trattare, l'analisi ha indicato vulnerabilità specifiche nella funzione mitocondriale e nella divisione cellulare. Ha inoltre identificato un farmaco chiamato cladribina, già approvato per altre condizioni, come un potenziale candidato per uccidere le cellule di glioma pediatrico ad alto grado.
Per testare se queste previsioni computazionali reggevano nel mondo reale, i ricercatori hanno portato le loro scoperte in laboratorio. Si sono concentrati sul glioma pediatrico ad alto grado, un raro e aggressivo cancro cerebrale infantile per il quale esistono pochi trattamenti efficaci. Utilizzando i dati di sequenziamento dell'RNA dai tumori dei pazienti, hanno previsto quali processi genici fossero attivi in queste cellule specifiche. Sulla base di queste previsioni, hanno selezionato tre farmaci da testare: axitinib, cladribina e 3-deazaneplanocina A. Hanno trattato le cellule tumorali cerebrali con questi farmaci e misurato quanto bene le cellule sopravvivevano. I risultati sono stati promettenti. Tutti e tre i farmaci hanno mostrato la capacità di uccidere le cellule cancerose, ma la cladribina si è distinta. La previsione del computer sulla sensibilità delle cellule alla cladribina corrispondeva meglio ai risultati sperimentali effettivi rispetto alle previsioni per gli altri due farmaci. Ciò ha confermato che il modello computazionale poteva tradurre con successo una mappa genetica complessa in una previsione pratica di quale farmaco potesse funzionare.
Lo studio non sostiene di aver risolto il cancro o di aver trovato una cura per ogni paziente. I ricercatori riconoscono che i loro modelli non sono perfetti; alcune previsioni erano forti, altre più deboli, e non tutti i farmaci testati hanno funzionato esattamente come suggerito dal computer. Notano anche che i dati utilizzati provengono da linee cellulari coltivate in una capsula di Petri, che potrebbero non mimare perfettamente l'ambiente complesso di un tumore all'interno di un corpo umano. Tuttavia, il lavoro fornisce una chiara prova di concetto. Dimostra che, utilizzando l'intelligenza artificiale per guardare il quadro generale di come i geni lavorano insieme, gli scienziati possono trovare nuovi bersagli terapeutici che gli approcci basati su un singolo gene perdono. Lo studio suggerisce che la strada da seguire per la medicina di precisione comporti il passaggio dal focus sui singoli componenti rotti al focus sull'intero sistema interrotto, offrendo un nuovo modo per identificare quali farmaci possano impedire a un tumore specifico di sopravvivere.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.