PDF Basket
Nowotwory powstają w wyniku mutacji genetycznych zachodzących w zdrowych komórkach. Choć czynniki dziedziczne mogą odgrywać w tym procesie pewną rolę, przyczyną niektórych mutacji są między innymi czynniki środowiskowe, takie jak promieniowanie UV oddziałujące na komórki skóry lub substancje rakotwórcze zawarte w tytoniu. Mutacje mogą pojawiać się także losowo podczas podziału komórek – ważnego procesu biologicznego, dzięki któremu powstają nowe tkanki i uzupełniane są braki.
„Większość mutacji nie wpływa na funkcje komórek”, wyjaśnia Núria López-Bigas, koordynatorka projektu NONCODRIVERS i profesora Instytutu Badań Biomedycznych w Hiszpanii. „Nazywamy je mutacjami pasażerskimi”.
Jednak niektóre mutacje mogą zapoczątkować proces namnażania się komórek nowotworowych. Wystąpienie kilku mutacji tego rodzaju może z kolei doprowadzić do niekontrolowanego namnażania się skutkującego powstaniem guza nowotworowego. Skuteczny sposób wykrywania tych mutacji może umożliwić rozwój nowych terapii, które będą skierowane bezpośrednio w komórki proto-nowotworowe.
Interpretacja danych genetycznych
Sekwencjonowanie genomu pozwala badaczom zidentyfikować wszystkie mutacje w próbce guza, których liczba może sięgać wielu tysięcy. Większość z tych mutacji nie ma jednak nic wspólnego z rozwojem nowotworu.
„Jeśli chcemy skutecznie leczyć nowotwory, naszym zdaniem konieczne jest usprawnienie procesu interpretacji i analizy”, wyjaśnia López-Bigas. „Musimy być w stanie stwierdzić, które mutacje są mutacjami nowotworowymi”.
Aby wypełnić tę lukę, zespół zgromadził dane uzyskane w wyniku sekwencjonowania genomów przeszło 28 000 guzów nowotworowych z całego świata. Następnie w ramach projektu NONCODRIVERS, finansowanego ze środków Europejskiej Rady ds. Badań Naukowych, badacze wykorzystali w innowacyjny sposób sztuczną inteligencję do przeprowadzenia analizy zbioru danych.
„Dysponujemy dużą ilością danych na temat ludzkich nowotworów”, dodaje koordynatorka. „Chcieliśmy sprawdzić, czy można zastosować uczenie maszynowe do analizy tych danych, by skuteczniej rozróżnić mutacje pasażerskie i kierujące”.
Korzystając z algorytmów uczenia maszynowego wyszkolonych na genach występujących w nowotworach, zespół opracował model klasyfikujący wszystkie możliwe warianty genów nowotworowych jako mutacje kierujące i pasażerskie. Wraz z kierowanym przez siebie zespołem, López-Bigas opracowała mapy mutacji kierujących dla 84 genów występujących w nowotworach.
Możliwości spersonalizowanego leczenia
Wiedza o tym, gdzie znajdują się mutacje kierujące dla poszczególnych rodzajów nowotworów może stanowić ogromną korzyść dla pacjentów. Dzięki tej wiedzy chemioterapię ogólną, która może prowadzić do niszczenia komórek niemających nic wspólnego z rozwojem nowotworu, można będzie zastąpić bardziej spersonalizowanymi lekami, działającymi bezpośrednio na wybrane mutacje. „Należy naprawiać rzeczy, które nie działają”, wyjaśnia López-Bigas.
Rezultaty projektu są już wykorzystywane w praktyce klinicznej. Opracowane narzędzie Cancer Genome Interpreter, które jest dostępne do pobrania za darmo w internecie, służy naukowcom i lekarzom do identyfikacji potencjalnych biomarkerów wskazujących na konkretne nowotwory. Użytkownicy mogą wprowadzić rodzaj nowotworu, a także bardziej szczegółowe i spersonalizowane dane, aby otrzymać informacje na temat przewidywanej reakcji na leki.
„Kluczowym osiągnięciem naszego projektu jest zaprezentowanie działania opracowanej przez nas technologii”, zauważa badaczka. „Udało nam się wykazać, że dysponując wystarczającą ilością danych, jesteśmy w stanie budować modele komputerowe pomagające specjalistom. Teraz jednak potrzebujemy więcej danych, aby wygenerować więcej modeli dla większej liczby genów nowotworowych i różnych rodzajów nowotworów. Im więcej danych zdobędziemy, tym więcej będziemy w stanie osiągnąć”.
López-Bigas dostrzega również potrzebę dalszej personalizacji narzędzia, co sprawia, że gromadzenie dodatkowych danych staje się jeszcze ważniejsze. „To, co uznajemy ogólnie za mutację kierującą w przypadku nowotworu płuc, może nie być nią w przypadku danego pacjenta”, wyjaśnia. „Wiek pacjenta, historia palenia tytoniu, współwystępowanie innych mutacji w komórce – wszystkie te czynniki mają znaczenie”.
Zapewnienie dostępu do dodatkowych danych kontekstowych mógłby zatem sprawić, że narzędzie stanie się bardziej dokładne. Większa ilość danych oznacza jednak rosnącą złożoność modeli. „Projekt NONCODRIVERS przypomina pod tym względem wspinaczkę”, podsumowuje López-Bigas. „Widzimy już szczyt, ale doskonale wiemy, że czeka nas daleka droga. Stoimy dopiero u podnóża góry”.