Characterizing the landscape of gene process dependencies in cancer
Deze studie introduceert BioBombe, een AI/ML-framework dat DepMap-data analyseert om complexe genprocesafhankelijkheden te identificeren die verder gaan dan enkelvoudige gen-doelwitten, waardoor nieuwe kankerkwetsbaarheden worden onthuld en de voorspelling en validatie van effectieve medicijnkandidaten voor precisie-oncologie mogelijk worden gemaakt.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer
Kanker is een ziekte van defecte instructies. Binnen een gezonde cel fungeren genen als een enorme bibliotheek van handleidingen, die de cel vertellen wanneer hij moet groeien, wanneer hij moet stoppen en hoe hij zichzelf moet repareren. Wanneer kanker toeslaat, raken deze handleidingen gecorrumpeerd. Decennialang was de medische aanpak om dit te herstellen gericht op het vinden van de meest defecte individuele handleiding en proberen deze te vervangen. Deze strategie, bekend als precisie-oncologie, heeft levens gered door specifieke medicijnen te matchen met specifieke genetische fouten, zoals een mutatie in een enkel gen dat de groei van een tumor aandrijft. Deze methode heeft echter een limiet bereikt. Het werkt slechts voor een klein deel van de patiënten, omdat kanker zelden wordt veroorzaakt door één enkele defecte instructie. In plaats daarvan overleven tumoren door te vertrouwen op complexe, gecoördineerde netwerken van vele genen die samenwerken, vergelijkbaar met een machine die blijft draaien zelfs als één tandwiel geblokkeerd is, omdat de andere tandwielen hebben aangepast om te compenseren.
Om te begrijpen hoe deze machines blijven draaien, moeten onderzoekers verder kijken dan de individuele tandwielen en het hele systeem zien. Dit is de uitdaging waar een nieuwe studie van onderzoekers aan de University of Colorado Anschutz en Children's Hospital Colorado zich mee bezighoudt. Ze stelden een fundamentele vraag: als we niet alleen naar één defect gen kunnen kijken, kunnen we dan het volledige netwerk van afhankelijkheden in kaart brengen dat een kankercel nodig heeft om te overleven? Door kankercellen niet te beschouwen als collecties van individuele genen, maar als complexe systemen, heeft het team een manier ontwikkeld om de verborgen groepen genen te ontdekken die de werkelijke levenslijnen voor tumoren vormen. Hun werk suggereert dat de toekomst van de kankerbehandeling mogelijk niet ligt in het richten op individuele genen, maar in het verstoren van de volledheden van de biologische processen die deze genen ondersteunen.
De onderzoekers wenden zich tot een enorme publieke database genaamd de Cancer Dependency Map, die resultaten bevat van experimenten waarbij wetenschappers systematisch duizenden genen uitschakelden in honderden verschillende kankercellijnen om te zien van welke genen de cellen niet konden overleven. Traditioneel analyseren wetenschappers deze gegevens door te kijken naar welke individuele genen essentieel zijn. De nieuwe studie paste echter een geavanceerd computerleerframework genaamd BioBombe toe op deze gegevens. In plaats van te vragen "welk gen is essentieel?", werd de computer getraind om patronen te vinden over duizenden genen tegelijkertijd. De computer zocht naar groepen genen die, wanneer ze samen werden uitgeschakeld, de cel de dood bezielden, waardoor werd onthuld dat het overleven van de cel afhankelijk was van specifieke biologische processen, zoals hoe de cel zich deelt of hoe hij energie genereert.
Om te garanderen dat deze patronen echt waren en niet slechts willekeurige ruis, vertrouwde het team niet op één enkel computermodel. Ze trainden honderden verschillende modellen, die elk de gegevens op een iets andere manier bekeken en zochten naar patronen van verschillende groottes. Deze aanpak stelde hen in staat om een veel breder scala aan biologische signalen te vangen dan welke enkele methode ook zou kunnen. De computer identificeerde succesvol duizenden van deze gen groepen, die de onderzoekers "gen proces afhankelijkheden" noemen. Wanneer zij onderzochten wat deze groepen daadwerkelijk deden, ontdekten zij dat deze overeenkwamen met bekende, kritieke biologische functies. Zo brachten de modellen bijvoorbeeld groepen genen in kaart die betrokken zijn bij celdeling en groepen die betrokken zijn bij de citroenzuurcyclus, een proces dat cellen gebruiken om energie te creëren. Cruciaal was dat de studie aantoonde dat deze groepen niet zomaar willekeurige verzamelingen genen waren; ze vertegenwoordigden coherente biologische systemen waarvan de kankercellen afhankelijk waren.
De ware kracht van deze aanpak kwam naar voren toen de onderzoekers deze gen groepen verbonden aan de gevoeligheid voor medicijnen. Ze vergeleken de door hen opgestelde gen proces kaarten met gegevens over hoe honderden verschillende kankercellijnen reageerden op duizenden verschillende medicijnen. Ze ontdekten dat specifieke gen groepen sterk verbonden waren met de vraag of een medicijn een cel zou doden of niet zou werken. Zo bevestigden ze bijvoorbeeld dat tumoren die zwaar leunen op een specifiek pad dat een eiwit genaamd p53 betreft, gevoelig zijn voor een klasse medicijnen die ontworpen zijn om dat pad aan te pakken. Belangrijker nog, de methode onthulde nieuwe mogelijkheden. Bij glioblastomen, een type hersentumor die berucht moeilijk te behandelen is, wees de analyse op specifieke kwetsbaarheden in de mitochondriale functie en de celdeling. Het identificeerde ook een medicijn genaamd cladribine, dat al is goedgekeurd voor andere aandoeningen, als een potentiële kandidaat voor het doden van pediatrische hooggradige glioomcellen.
Om te testen of deze computervoorspellingen standhielden in de echte wereld, brachten de onderzoekers hun bevindingen naar het laboratorium. Ze richtten zich op pediatrische hooggradige glioom, een zeldzame en agressieve kinderhersentumor waarvoor weinig effectieve behandelingen bestaan. Gebruikmakend van RNA-sequencing data van patiënttumoren, voorspelden ze welke gen processen actief waren in deze specifieken cellen. Op basis van deze voorspellingen selecteerden ze drie medicijnen om te testen: axitinib, cladribine en 3-deazaneplanocin A. Ze behandelden de hersentumorcellen met deze medicijnen en maten hoe goed de cellen overleefden. De resultaten waren veelbelovend. Alle drie de medicijnen toonden een vermogen om de kankercellen te doden, maar cladribine viel op. De computervoorspelling van de gevoeligheid van de cellen voor cladribine kwam beter overeen met de werkelijke experimentele resultaten dan de voorspellingen voor de andere twee medicijnen. Dit bevestigde dat het computermodel erin slaagde om een complexe genetische kaart succesvol te vertalen naar een praktische voorspelling van welk medicijn zou kunnen werken.
De studie beweert niet dat het kanker heeft opgelost of een genezing heeft gevonden voor elke patiënt. De onderzoekers erkennen dat hun modellen niet perfect zijn; sommige voorspellingen waren sterk, terwijl andere zwakker waren, en niet elk getest medicijn werkte precies zoals de computer suggereerde. Ze merken ook op dat de gegevens die ze gebruikten afkomstig zijn van cellijnen die in een schaal gekweekt zijn, wat de complexe omgeving van een tumor in een menselijk lichaam mogelijk niet perfect nabootst. Echter, het werk biedt een duidelijk bewijs van concept. Het demonstreert dat door kunstmatige intelligentie te gebruiken om naar het grote plaatje te kijken van hoe genen samenwerken, wetenschappers nieuwe therapeutische doelwitten kunnen vinden die single-gene benaderingen missen. De studie suggereert dat de weg vooruit voor precisiegeneeskunde ligt in de verschuiving van een focus op individuele defecte onderdelen naar een focus op het volledige defecte systeem, wat een nieuwe manier biedt om te identificeren welke medicijnen een specifieke tumor kunnen stoppen met overleven.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.