Glioblastoom is de meest agressieve en meest voorkomende vorm van een primaire kwaadaardige hersentumor bij volwassenen. Het is een ziekte die wordt gedefinieerd door haar hardnekkigheid; ondanks chirurgie, bestraling en chemotherapie keert het bijna altijd terug, en de overleving blijft tragisch kort. De reden voor dit falen ligt in de interne complexiteit van de tumor. Binnen de massa van kankercellen bestaat een kleine maar krachtige subgroep die bekend staat als glioblastoomstamcellen. Dit zijn niet zoma aantakelijke kankercellen; ze bezitten het unieke vermogen om zichzelf te vernieuwen en diverse soorten cellen voort te brengen, vergelijkbaar met een meesterbouwer die een hele stad kan recreëren vanuit één enkel blauwdruk. Deze stamcellen zijn de motor van de groei van de tumor, het vermogen om behandelingen te weerstaan en de neiging tot recidief. Decennialang hebben wetenschappers geprobeerd exact in kaart te brengen hoe deze cellen zich gedragen, waar ze zich binnen de tumor verstoppen en hoe ze communiceren met hun omgeving om te overleven. Zonder een duidelijke kaart van dit interne landschap zijn artsen niet in staat geweest om de kernoorzaak van de ziekte effectief aan te pakken.

Een nieuwe studie door onderzoekers van de Qingdao Universiteit en de Johns Hopkins School of Medicine heeft een enorme stap gezet richting het creëren van die kaart. Door geavanceerde genetische sequencing te combineren met kunstmatige intelligentie, analyseerde het team gegevens van meer dan 338.000 individuele cellen afkomstig van patiënten. Ze keken niet alleen naar de cellen in isolatie; ze onderzochten hoe deze cellen met elkaar praten, hoe ze in de loop van de tijd veranderen en hoe hun fysieke verschijning onder een microscoop zich verhoudt tot hun genetische opmaak. De onderzoekers ontdekten dat deze tumoren geen uniforme blok van identieke cellen zijn, maar eerder een dynamisch landschap waar cellen in verschillende staten van "stamheid" (stemness), of potentieel, bestaan. Ze vonden dat de meest gevaarlijke cellen, de echte stamcellen, zeer actief zijn in het verzenden van signalen naar hun buren, het herprogrammeren van hun eigen metabolisme om snelle groei te voeden, en het creëren van een beschermend schild dat het immuunsysteem blokkeert om hen aan te vallen.

Om te begrijpen hoe deze cellen overleven, moesten de onderzoekers hen eerst identificeren te midden van de chaos van de tumor. Ze gebruikten een geavanceerde computationele methode om de cellen te sorteren op basis van hun genetische activiteit, waarbij ze de cellen in drie duidelijke categorieën verdeelden. De eerste groep, de glioblastoomstamcellen, vertoonde het hoogste niveau van potentieel en plasticiteit. De tweede groep vertegenwoordigde cellen in een overgangstoestand, bewegend van een stamcelachtige conditie naar een meer volwassen vorm. De derde groep bestond uit cellen die grotendeels waren gedifferentieerd. De studie onthulde dat de stamcellen niet willekeurig verspreid liggen; ze hebben de neiging om te clusteren in specifieke regio's van de tumor, vaak nabij cellen die lijken op neurale progenitorcellen. Deze stamcellen fungeren als de leiders van de tumorcommunity, door chemische signalen uit te zenden om andere cellen, zoals immuuncellen en ondersteunende cellen, naar hun zijde te rekruteren. In ruil daarvoor helpen deze gerekruteerde cellen bij het creëren van een omgeving die de natuurlijke afweer van het lichaam onderdrukt, waardoor de tumor effectief voor het immuunsysteem wordt verborgen.

De onderzoekers ontdekten ook hoe deze stamcellen zichzelf voeden. Door de metabole routes van de verschillende celgroepen te analyseren, vonden ze dat de stamcellen vertrouwen op specifieke chemische processen om energie te genereren, die verschillen van de cellen om hen heen. Deze metabole herprogrammering stelt hen in staat te gedijen in de barre omstandigheden van de tumor. Bovendien toonde de studie aan dat deze stamcellen de primaire drijfveren zijn van medicijnresistentie. Toen de onderzoekers verschillende medicijnen testten, ontdekten ze dat de stamcellen aanzienlijk resistenter waren tegen standaardbehandelingen dan de andere cellen. Echter, ze identificeerden ook een specifiek gen, TUBB2B, dat fungeert als een cruciale schakelaar voor het behoud van deze stamcelachtige staat. Wanneer de onderzoekers dit gen uitschakelden in laboratoriummodellen, verloren de stamcellen hun vermogen om te groeien en te overleven, en werden ze veel gevoeliger voor het standaard chemotherapie-medicijn temozolomide. De combinatie van het uitschakelen van dit gen en het gebruik van chemotherapie bleek veel effectiever dan de behandeling met slechts één van beide middelen alleen.

Om de kloof tussen deze complexe genetische bevindingen en wat artsen bij een patiënt kunnen zien te overbruggen, ontwikkelde het team een nieuwe manier om de uitkomsten voor patiënten te voorspellen met behulp van digitale pathologie. Ze namen hoogresolutiebeelden van tumorweefselcoupes en gebruikten een krachtig kunstmatig intelligentie-model, bekend als ResNet-50, om te scannen op subtiele patronen die het menselijk oog zou missen. De computer analyseerde duizenden kenmerken, zoals de vorm van cellen, de textuur van het weefsel en de ordening van structuren. Door deze visuele patronen te koppelen aan de genetische gegevens van de stamcellen, bouwden de onderzoekers een model dat accuraat de overlevingskans van een patiënt kon voorspellen. Patiënten wier tumoren deze specifieke visuele patronen vertoonden, werden geclassificeerd als hoog risico, en deze patiënten hadden inderdaad veel slechtere uitkomsten. Dit model suggereert dat een eenvoudige blik op een weefselcoupe, wanneer deze wordt versterkt door kunstmatige intelligentie, de verborgen aanwezigheid van gevaarlijke stamcellen kan onthullen en de beslissingen over de behandeling kan sturen.

De studie onderzocht ook waarom sommige patiënten beter reageren op immunotherapie dan anderen. De onderzoekers vonden dat patiënten met een hoog risico op slechte uitkomsten, gedreven door deze stamcellen, de neiging hadden tot "koude" tumoren. In deze gevallen was het immuunsysteem grotendeels afwezig of inactief binnen de tumor, waardoor de kankercellen vrij konden groeien. In contrast hiermee hadden patiënten met een lagere risicoscore "hete" tumoren, waarbij immuuncellen actief de kanker infiltreerden. Dit onderscheid is cruciaal omdat het verklaart waarom immunotherapie voor de een wel werkt en voor de ander niet; de stamcellen in tumoren met een hoog risico werken er actief op om het immuunsysteem buiten te houden. De onderzoekers identificeerden verschillende potentiële medicijnen die de specifieke kwetsbaarheden van deze hoog-risicotumoren zouden kunnen aanpakken, waaronder verbindingen die specifieke signaalroutes blokkeren die essentieel zijn voor het overleven van de stamcellen.

Uiteindelijk biedt dit onderzoek een uitgebreid kader voor het begrijpen van glioblastoom, niet als één enkele ziekte, maar als een complex ecosysteem dat wordt gedreven door een paar sleutelspelers. Door het landschap van de stamheid in kaart te brengen, hebben de onderzoekers aangetoond dat het vermogen van de tumor om behandelingen te weerstaan en te recidiveren geworteld is in het dynamische gedrag van zijn stamcellen. De identificatie van TUBB2B als een belangrijke regulator biedt een nieuw doelwit voor therapie, terwijl de integratie van kunstmatige intelligentie met genetische gegevens een krachtig instrument biedt om te voorspellen hoe een patiënt op een behandeling zal reageren. Hoewel de studie geen onmiddellijk geneesmiddel biedt, legt het de basis voor een nieuw tijdperk van precisiegeneeskunde, waarin behandelingen kunnen worden afgestemd op de specifieke genetische en visuele kenmerken van de tumor van een patiënt, wat potentieel het tij kan keren tegen een van de meest vormende ziekten in de moderne geneeskunde.