PDF Basket
In gesunden Zellen auftretende Mutationen können Tumoren entstehen lassen. Obwohl erbliche Faktoren dabei eine Rolle spielen können, werden einige Mutationen auch durch Umweltfaktoren wie UV-Licht, das die Hautzellen angreift, oder die krebserregenden Stoffe im Tabak verursacht. Mutationen treten jedoch auch zufällig auf, wenn sich unsere Zellen teilen – ein wichtiger biologischer Prozess, der es menschlichem Gewebe ermöglicht, zu wachsen und sich zu erneuern.
„Die meisten Mutationen verändern die Funktion der Zelle nicht“, erläutert Nuria Lopez-Bigas, Projektkoordinatorin von NONCODRIVERS und Forschungsprofessorin am Institut für biomedizinische Forschung in Spanien. „Wir nennen diese Art Passagiermutationen.“
Manche Mutationen können einer Krebszelle allerdings die Möglichkeit geben, sich zu vermehren. Eine Zelle mit mehreren dieser sogenannten „Treibermutationen“ kann einen Punkt erreichen, an dem eine unkontrollierte Vermehrung zur Tumorbildung führt. Ein wirksames Mittel zur Erkennung solcher Treibermutationen könnte hier die Entwicklung neuartiger Therapien zur direkten Bekämpfung dieser Proto-Krebszellen ermöglichen.
Interpretation genetischer Daten
Mit der Genomsequenzierung können Forschende alle in einer Tumorprobe enthaltenen Mutationen erfassen, deren Zahl in die Tausende gehen kann. Doch die meisten dieser Mutationen haben eigentlich gar nichts mit der Krebsentstehung zu tun.
„Um wirksame Behandlungen hervorzubringen, musste unserer Ansicht nach der Interpretationsschritt verbessert werden“, so Lopez-Bigas. „Wir mussten bestimmen können, welche Mutationen Krebsmutationen sind.“
Zur Schließung dieser Lücke wurden Gensequenzierungsdaten von über 28 000 Tumoren aus der ganzen Welt zusammengetragen. Das EU-finanzierte und vom Europäischen Forschungsrat unterstützte Projekt NONCODRIVERS verfolgte dabei den innovativen Ansatz, künstliche Intelligenz für die Analyse dieser Daten einzusetzen.
„Es gibt bereits eine Menge Daten über menschliche Tumoren“, fügt sie hinzu. „Wir wollten herausfinden, ob maschinelles Lernen auf diese Daten angewendet werden kann, um besser zwischen Passagier- und Treibermutationen unterscheiden zu können.“
Mithilfe einer Software für maschinelles Lernen, die speziell auf Krebsgene ausgerichtet wurde, erstellte das Team ein Modell, mit dem alle möglichen Varianten von Krebsgenen entweder als Treiber oder als Passagiere eingestuft werden. Bis zum heutigen Zeitpunkt konnten Lopez-Bigas und ihr Team für 84 Krebsgene Übersichten der Treibermutationen erarbeiten.
Personalisierte Behandlungen in Sicht
Zu wissen, wo bei einer bestimmten Krebsart Treibermutationen zu finden sind, kann enorme Vorteile für die betroffene Person bereithalten. Anstatt mit einer allgemeinen Chemotherapie zu behandeln, die möglicherweise Zellen zerstört, die gar nicht zur Krebsentstehung beitragen, können beispielsweise stärker personalisierte Medikamente verabreicht werden, die nur die Treibermutationen bekämpfen. „Man repariert das, was nicht funktioniert“, sagt Lopez-Bigas.
Die Ergebnisse des Projekts werden bereits im klinischen Umfeld angewendet. Das online frei zugängliche Instrument „Cancer Genome Interpreter“ des Projekts kann von Forschenden und medizinischen Fachkräften heruntergeladen und genutzt werden, um potenzielle Biomarker für bestimmte Krebsarten zu ermitteln. Dieses sieht vor, dass die Nutzenden die Krebsart sowie spezifischere und personalisierte Informationen eingeben, um Daten zur voraussichtlichen Reaktion auf bestimmte Medikamente zu erhalten.
„Die bisher wichtigste Errungenschaft war die erfolgreiche Demonstration dieser Technologie“, berichtet sie. „Wir haben gezeigt, dass wir aussagekräftige Computermodelle erstellen können, wenn wir nur genügend Daten zur Verfügung haben. Was wir jetzt aber brauchen, sind größere Datenmengen, damit wir mehr Modelle für weitere Krebsgene und Krebsarten ausarbeiten können. Je mehr Daten wir haben, desto mehr können wir erreichen.“
Lopez-Bigas sieht außerdem die Notwendigkeit, das Instrument stärker zu personalisieren, und dafür ist das Sammeln weiterer Daten ein entscheidender nächster Schritt. „Was wir zum Beispiel beim Lungenkrebs als Treiber verstehen, ist bei einer bestimmten Person vielleicht gar kein Treiber“, erklärt sie. „Das Alter der Person, ob sie raucht, ob andere Mutationen in der Zelle vorhanden sind – all diese Dinge spielen eine Rolle.“
Zusätzlicher Kontext könnte daher die Genauigkeit des Instruments erhöhen. Jedoch werden die Modelle aufgrund der zunehmenden Datenmenge dann auch immer komplexer. „NONCODRIVERS gibt uns das Gefühl, als wären wir auf einer Wandertour“, so Lopez-Bigas abschließend. „Wir können den Gipfel des Berges zwar sehen, aber es liegt noch ein weiter Weg vor uns. Momentan stehen wir noch am Anfang dieser Reise.“