Blast percentage confounds transcriptome to drug-response associations in Beat AML: DHODH and sorafenib as a worked example
Deze studie toont aan dat het niet corrigeren voor het blastpercentage in de Beat AML-dataset de associaties tussen transcriptoom en respons op geneesmiddelen aanzienlijk vertekent, zoals blijkt uit het substantiële verlies van statistische significantie voor markers zoals DHODH en sorafenib wanneer de blastinhoud in de analyse wordt opgenomen.
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
In de strijd tegen acute myeloïde leukemie, een vorm van bloedkanker, zoeken wetenschappers vaak naar aanwijzingen binnen de eigen cellen van de patiënt om te voorspellen welke medicijnen het beste zullen werken. Ze onderzoeken het transcriptoom, wat de volledige set genetische instructies is die op een specifiek moment door de cellen worden gelezen en gebruikt. Door deze genetische patronen te vergelijken met hoe de kankercellen in een laboratoriumschaaltje op verschillende medicijnen reageren, hopen onderzoekers een "handtekening" te vinden die hen vertelt welke behandeling ze moeten kiezen. Deze aanpak berust op het idee dat de genetische samenstelling van de kankercellen zelf de sleutel bevat tot hun kwetsbaarheid. Echter, een monster van beenmerg of bloed bestaat zelden uit alleen maar kankercellen. Het is een mengsel dat bestaat uit de kankercellen (blasts), gezonde bloedcellen en ander weefsel. De proportie kankercellen in dit mengsel kan van patiënt tot patiënt enorm variëren, en deze variatie is lang een bron van verwarring geweest bij het interpreteren van genetische gegevens.
Een recente studie door onafhankelijk onderzoeker Cumhur Gokhan Ekmekci onderzoekt een specifiek probleem dat over het hoofd is gezien in een belangrijke dataset die bekend staat als Beat AML. Deze dataset koppelt genetische informatie van leukemiepatiënten aan gedetailleerde verslagen van hoe hun cellen reageerden op 125 verschillende medicijnen. Hoewel eerdere analyses van deze gegevens corrigeerden voor factoren zoals hoe snel de cellen zich deelden of hoe volwassen ze waren, hielden zij geen rekening met het percentage kankercellen, of "blasts", in het monster. De onderzoeker wilde zien of het negeren van dit eenvoudige feit de resultaten vertekende, waardoor wetenschappers geloofden dat bepaalde genen belangrijke doelwitten voor medicijnen waren, terwijl ze in werkelijkheid slechts markers waren voor hoeveel kankercellen er in het schaaltje zaten.
De onderzoeksinvestering begon met een eenvoudige vraag: verandert de hoeveelheid kanker in een monster de manier waarop we de genetische data en de resultaten van de medicijnentest lezen? Het antwoord bleek een definitief ja te zijn. De studie vond dat het percentage blasts in een monster correleert met zowel de gemeten genetische signalen als de sterkte van het effect van het medicijn. Wanneer een monster een hoog aantal kankercellen heeft, lijken de genetische signalen die geassocieerd zijn met snelle groei sterker, en lijkt het medicijn effectiever simpelweg omdat er meer doelcellen zijn om te doden. Dit creëert een vals verband. Een gen lijkt een goede respons op een medicijn te voorspellen, niet omdat het de werking van het medicijn controleert, maar simpelweg omdat het actiever is in monsters die toevallig meer kankercellen bevatten.
Om te meten hoe groot dit probleem was, voerde de onderzoeker een massale vergelijking uit waarbij 12.000 verschillende combinaties van genen en medicijnen werden betrokken. Hij nam de standaardmethode voor het analyseren van de gegevens, die de blast-proportie negeert, en vergeleek deze met een nieuwe methode die de blast-proportie als een factor opneemt. De resultaten waren opmerkelijk. Onder de standaardmethode leken bijna 1.200 gen-medicijnparen significante overeenkomsten te hebben. Wanneer de blast-proportie aan de berekening werd toegevoegd, verdwenen meer dan 400 van die overeenkomsten. Met andere woorden, ongeveer 35 procent van de verbindingen die sterk leken, waren eigenlijk illusies veroorzaakt door de samenstelling van het monster. Omgekeerd verschenen er slechts een fractie van de nieuwe verbindingen toen de aanpassing werd gemaakt. Dit suggereert dat de vorige lijst van veelbelovende medicijn-doelwitten aanzienlijk opgeblazen was door de niet-gemeten variabele.
De studie gebruikte een specifiek voorbeeld om aan te tonen hoeveel een enkele kandidaat-marker kon veranderen. Onderzoekers hadden eerder een gen genaamd DHODH geïdentificeerd als de sterkste voorspeller van hoe goed een medicijn genaamd sorafenib zou werken. In de standaardanalyse rangschikte dit gen zichzelf als nummer één onder alle 125 geteste medicijnen, met een zeer sterke statistische link naar het succes van het medicijn. Echter, zodra het percentage blasts in het model werd opgenomen, daalde de sterkte van die link merkbaar. Het gen zakte van de eerste plaats naar de vierde plaats, en de statistische zekerheid van de verbinding verzwakte aanzienlijk. Hoewel de link niet volledig verdween, werd hij veel minder indrukwekkend. Bovendien, toen de onderzoekers naar andere medicijnen keken die hetzelfde pad als sorafenib targeten, vertoonde geen van hen een vergelijkbare verbinding met het DHODH-gen. Dit duidt erop dat het oorspronkelijke sterke resultaat waarschijnlijk een bijeffect was van de monstercompositie in plaats van een echt biologisch mechanisme.
De onderzoeker controleerde ook of deze verandering niet werd veroorzaakt door andere factoren, zoals het type monster dat werd genomen of de manier waarop de medicijnrespons werd gemeten. Geen van die andere variabelen veranderde de resultaten significant. De enige factor die de uitkomst veranderde, was de opname van de blast-proportie. De studie keek ook of deze bevinding standhield in een andere groep patiënten uit een aparte database, maar de resultaten daar waren niet sterk genoeg om het patroon te bevestigen, waarschijnlijk omdat die data niet beschikte over de specifieke klinische details die nodig zijn voor een soortgelijke analyse. Dit weerlegt de bevinding niet, maar benadrukt dat het initiële resultaat zorgvuldige herwaardering behoeft voordat het vertrouwd kan worden.
De conclusie van dit werk is dat het percentage kankercellen in een monster een cruciale stuk informatie is die moet worden opgenomen bij het analyseren van genetische gegevens tegen medicijnresponsen. Het is een factor die al in medische dossiers wordt geregistreerd en niets kost om in de analyse op te nemen. Het negeren ervan leidt tot een hoog percentage valse ontdekkingen, waarbij wetenschappers genen kunnen najagen die slechts de aanwezigheid van kanker reflecteren in plaats van de werkelijke gevoeligheid van de kanker voor een medicijn. Door voor deze variabele te corrigeren, wordt de lijst van potentiële medicijn-doelwitten korter en betrouwbaarder. De studie beweert geen nieuw geneesmiddel of een definitieve marker voor sorafenib te hebben gevonden; in plaats daarvan dient het als een noodzakelijke correctie, die laat zien dat de weg naar het vinden van echte biomarkers eerst het opschonen van de data van deze verborgen verstorende factoren vereist. De kosten van het opnemen van deze eenvoudige aanpassing zijn verwaarloosbaar, maar de kosten van het weglaten ervan zijn een significante vertekening van het wetenschappelijke beeld.
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.