Construction and validation of a prognostic model for genes associated with myeloid differentiation in liver hepatocellular carcinoma: bulk RNA sequencing combined with Mendelian randomization and single-cell RNA sequencing

Leverkanker is een meedogenloze ziekte, die vaak stilzwijgend blijft totdat het te groot is geworden om chirurgisch te verwijderen. Voor veel patiënten blijft de vooruitzichten grimmig, met overlevingspercentages die in decennia nauwelijks zijn verschoven ondanks vooruitgang in de behandeling. De uitdaging voor artsen is niet alleen om de kanker te vinden, maar om te begrijpen waarom deze zich bij elke individuele patiënt op die specifieke manier gedraagt. Om dit op te lossen, kijken wetenschappers dieper in de eigen verdedigingssystemen van het lichaam. Binnen elke tumor bevindt zich een complexe buurt van cellen. Onder hen zijn myeloïde cellen, een type immuuncel dat normaal gesproken het lichaam helpt bij het bestrijden van infecties. In het geval van kanker kunnen deze cellen echter soms van koers veranderen, waarbij ze hun gedrag aanpassen om de tumor te helpen groeien en te verbergen voor het immuunsysteem, in plaats van deze te vernietigen. De specifieke genen die bepalen hoe deze myeloïde cellen zich ontwikkelen en functioneren, vormen de sleutel tot het begrijpen van dit verraad, maar de exacte instructies die zij volgen bij leverkanker zijn een mysterie gebleven.

Een team van onderzoekers begon aan de taak om deze instructies te ontcijferen door een nieuw soort kaart voor leverkanker te maken. Ze begonnen met het verzamelen van enorme hoeveelheden genetische gegevens van duizenden patiënten, zoekend naar de specifieke genen die aan- of uitstaan wanneer myeloïde cellen interageren met levertumoren. Om er zeker van te zijn dat ze echte oorzaken vonden en geen toevallige patronen, gebruikten ze een rigoureuze methode die genetische variaties behandelt als natuurlijke experimenten, waarbij de ruis van levensstijl en omgeving werd weggefilterd om te zien welke genen de ziekte werkelijk aansturen. Vanuit deze enorme hoeveelheid informatie vernauwden ze hun focus tot een shortlist van kandidaten, waarbij ze computermodellen gebruikten om te voorspellen welke genen het beste de toekomst van een patiënt konden voorspellen. Het resultaat was een precieze lijst van zeven genen die fungeren als een biologische signatuur voor de ziekte.

Deze zeven genen, die de onderzoekers FECH, CDKN2B, CAMK4, NBEAL2, RASGRP4, GPR171 en EIF6 noemden, bleken een duidelijk verhaal te vertellen over de prognose van een patiënt. Door de activiteit van deze genen in een tumorcel te meten, kon het team een risicoscore berekenen die patiënten in twee duidelijke groepen verdeelde: zij die waarschijnlijk goed zouden herstellen en zij die een veel zwaardere strijd moesten leveren. Het model bleek accuraat over verschillende patiëntengroepen heen, waarbij werd aangetoond dat patiënten met een hoge risicoscore aanzienlijk lagere overlevingskansen hadden. Dit was niet slechts een statistische truc; de onderzoekers bouwden een praktisch hulpmiddel, een tabel die artsen kunnen gebruiken om de risicoscore van een patiënt te combineren met de specifieke tumorfase om een duidelijker beeld van de vooruitzichten te krijgen.

De studie ging verder om te begrijpen waarom deze genen ertoe deden. De onderzoekers ontdekten dat de genen diep betrokken waren bij de immuunrespons van het lichaam en het metabolisme, met name in de manier waarop het lichaam vetten en stollingsfactoren verwerkt. In de risicovolle groep waren deze processen vaak afgesteld naar een lager niveau, wat suggereert dat de tumor het immuunsysteem succesvol onderdrukt en de chemie van het lichaam naar haar voordeel verandert. Het team keek ook naar hoe deze genen zich in individuele cellen gedroegen, een techniek die het mogelijk maakte om de activiteit van genen in specifieke celtypen te zien in plaats van alleen in de gehele tumormix. Ze ontdekten dat T-cellen, een ander type immuuncel dat normaal gesproken kanker aanvalt, de primaire locatie waren waar deze zeven genen actief waren. Terwijl deze T-cellen veranderden en rijpten, steeg en daalde de activiteit van één specifiek gen, GPR171, in een duidelijk patroon, wat wijst op een dynamische relatie tussen het immuunsysteem en de tumor.

Om te bevestigen dat hun computermodellen overeenkwamen met de realiteit, testten de wetenschappers de bevindingen in daadwerkelijke menselijke weefselsamples. Ze vergeleken de genetische activiteit in leverkankersamples met gezond weefsel en ontdekten dat vier van de genen aanzienlijk actiever waren in de kanker, terwijl één gen veel minder actief was. Dit bevestigde dat de genen die door de computer waren geïdentificeerd, inderdaad aanwezig waren en zich anders gedroegen in echte patiënten. De studie onderzocht ook hoe deze genen zouden reageren op bestaande medicijnen, wat suggereert dat patiënten met een hoge risicoscore gevoeliger kunnen zijn voor bepaalde chemotherapieagentia, wat een potentieel pad biedt voor meer gepersonaliseerde behandeling.

Hoewel de bevindingen veelbelovend zijn, benadrukken de onderzoekers voorzichtig dat dit een startpunt is. De modellen zijn gebouwd met behulp van gegevens uit openbare databases en gevalideerd op een relatief klein aantal lokale monsters, wat betekent dat de resultaten getest moeten worden in grotere, meer diverse groepen mensen voordat ze als een standaard medisch instrument kunnen worden gebruikt. De studie suggereert dat deze zeven genen krachtige indicatoren zijn van hoe leverkanker zal verlopen, maar het bewijst nog niet dat het veranderen ervan de ziekte kan genezen. Desalniettemin biedt het onderzoek, door deze specifieke genetische markers te identificeren en te koppelen aan het gedrag van immuuncellen, een nieuwe manier om naar leverkanker te kijken. Het verplaatst het gesprek van het simpelweg meten van de grootte van een tumor naar het begrijpen van de verborgen genetische gesprekken die binnenin plaatsvinden, wat een duidelijker pad biedt naar het voorspellen van uitkomsten en het afstemmen van behandelingen op het individu.