رویکرد محاسباتی نوآورانه و اهداف سرطانی جدید

به گزارش واحد ژنتیک پایگاه اطلاع رسانی علوم آزمایشگاهی ایران، محققان Weill Cornell Medicine از هوش مصنوعی برای شناسایی اهداف دارویی بر اساس نقشه برداری از شبکه های نظارتی در تومورهای بیمار استفاده کرده اند. این مطالعه که در Cell Systems منتشر شد، چهار داروی کاندید برای سرطان های عصبی غدد درون ریز، کبد و کلیه را که با گزینه های درمانی فعلی پیش آگهی بدی دارند، به طور تجربی شناسایی و تایید کرد. این تحقیق یک راه جدید بسیار مورد نیاز را برای شناسایی اهداف دارویی جدید برای بسیاری از سرطان ها ارائه می دهد. اگرچه درمان هدفمند برای برخی از سرطان ها میزان بقا را بهبود بخشیده است، مقاومت به درمان و در نتیجه پیشرفت بیماری چالش های همیشگی است. علاوه بر این، بسیاری از انواع سرطان هیچ هدف دارویی مشخصی ندارند.

نویسنده ارشد، دکتر اکتا خورانا، دانشیار فیزیولوژی و بیوفیزیک و پژوهشگر بنیاد WorldQuant، تلاشی را رهبری کرد که با استفاده از یک رویکرد محاسباتی جدید، شبکه های تنظیم کننده ژن را برای نمونه های تومور از 371 بیمار که شامل 22 نوع سرطان بود، ترسیم کرد. شبکه های تنظیم کننده ژن، مدل هایی که روابط پیچیده بین ژن ها را در یک سلول توصیف می کنند، اغلب در سرطان تغییر می کنند. ایجاد شبکه های دقیق تنظیم کننده ژن کار آسانی نیست. محققان داده های سلول های تومور را در RNA پیام رسان گنجانده اند که به پروتئین ها و دسترسی کروماتین ترجمه می شود و می تواند به آشکار کردن چگونگی تأثیر بسته بندی DNA و سایر عوامل بر بیان ژن کمک کند.

محققان یک رویکرد محاسباتی نوآورانه به نام شبکه های تنظیم کننده سرطان و حساسیت ها (CaRNetS) برای کشف پروتئین های کلیدی که می توانند اهداف دارویی برای درمان سرطان در شبکه های تنظیم کننده ژن باشند، توسعه دادند. آنها اهداف شناخته شده ای مانند BRAF در پوست، CTNNB1 (B-Catenin) در روده بزرگ و ERBB2 (Her2) در سرطان ریه را شناسایی کردند. با این موارد مثبت شناخته شده به عنوان نقاط مرجع، به دنبال تأیید صحت نامزدهای برتر در سرطان ها با درمان های هدفمند مؤثر محدود بودند.

سپس محققان از رویکرد خود برای یافتن فاکتورهای رونویسی کلیدی و پروتئین های متقابل آنها استفاده کردند که ممکن است نقاط آسیب پذیری باشند که می توانند برای متوقف کردن یا کند کردن رشد تومور هدف قرار گیرند. فاکتورهای رونویسی پروتئین هایی هستند که به توالی های DNA خاصی متصل می شوند و بیان ژن ها را تنظیم می کنند و تولید آنها را خاموش و روشن می کنند. با استفاده از CaRNets روی نمونه های تومور بیمار، محققان توانستند بیماران را در 22 گروه دسته بندی کنند که 9 گروه تنها مربوط به یک نوع سرطان بودند و 13 گروه شامل بیمارانی از انواع مختلف سرطان بودند. نکته مهم این است که این رویکرد اهداف دارویی را برای همه 22 خوشه نشان داد. محققان چهار مورد از این پروتئین ها را در سلول ها تایید کردند. آن ها دریافتند که مهار پروتئین هایی که شناسایی کرده اند به طور قابل توجهی بر رشد رده های سلولی نشان دهنده انواع سرطان کلیه، کبد و اعصاب غدد در مقایسه با گروه کنترل تأثیر می گذارد. محققان پیش بینی می کنند که با سهولت اندازه گیری دسترسی کروماتین از بافت بیمار در مقیاس بزرگ، رویکرد محاسباتی آنها به طور گسترده برای یافتن گزینه های درمانی جدید برای انواع و زیرگروه های سرطان بیشتر مورد استفاده قرار می گیرد.