Исследование, проведенное учеными из Медицинской школы Брайтона и Сассекса (BSMS), представило подход к прогнозированию эффективности лечения пациентов с диффузной В-крупноклеточной лимфомой (ДВККЛ), распространенной формой рака крови.

Исследователи использовали данные геномного секвенирования для создания персонализированных симуляций отдельных пациентов, которые могут количественно оценить влияние генетических мутаций на поведение раковых клеток. Этот инновационный метод обещает проложить путь для персонализированной медицины, которая произведет революцию в принятии клинических решений и улучшит уход за гетерогенными видами рака крови .

Исследовательская группа под руководством доктора Саймона Митчелла, преподавателя биологии раковых систем в BSMS, сосредоточилась на использовании геномных данных пациентов с DLBCL для моделирования того, как определенные мутации влияют на антиапоптотическую и пролиферативную сигнализацию в раковых клетках. В отличие от традиционных подходов, которые полагаются на мутационную кластеризацию, моделирование обеспечило более полное понимание взаимодействия между несколькими мутациями. Вместо того чтобы группировать пациентов, имеющих общие мутации, их подход группирует пациентов на основе воздействия мутаций в сложных сигнальных сетях.

Исследование показало, что персонализированные симуляции успешно идентифицировали пациентов с различными прогнозами (плохими, промежуточными и хорошими) в нескольких наборах данных. Это было достигнуто с использованием данных из секвенирования всего экзома (WES) или панелей целевого секвенирования, что обеспечило надежные прогнозы, несмотря на мутационную гетерогенность.

В отличие от многих статистических подходов, точность прогнозирования моделирования улучшилась с большими наборами данных проверки, что подчеркивает важность интеграции знаний о молекулярной сети в анализ. Модели были особенно эффективны при выявлении пациентов с сопутствующими мутациями, которые способствуют как пролиферации раковых клеток, так и устойчивости к апоптозу, и обнаружили пациентов, которые были бы пропущены традиционными методами кластеризации.

Комментируя исследование, доктор Митчелл сказал: «Это исследование поддерживает интеграцию генетического секвенирования на этапе диагностики DLBCL для лучшего определения прогноза для пациента. Поскольку затраты на секвенирование снижаются, мы надеемся, что этот подход станет стандартной диагностической практикой, что позволит точно идентифицировать пациентов, которым могут помочь альтернативные методы лечения ».

«Это исследование знаменует собой значительный шаг вперед в поисках персонализированного лечения рака . Используя возможности вычислительного моделирования для помещения геномных данных в контекст, мы надеемся проложить путь для более точных прогностических прогнозов и индивидуальных терапевтических стратегий. Мы считаем, что такие подходы обещают новую эру прецизионной медицины для пациентов с раком крови и, возможно, многих других».

Помимо DLBCL, методы компьютерного моделирования, продемонстрированные в этом исследовании, потенциально могут быть применены к другим типам рака , особенно тем, которые характеризуются высокой генетической гетерогенностью.

Поскольку геномные данные становятся все более доступными, а вычислительные методы продолжают развиваться, эти персонализированные симуляции могут сыграть решающую роль в эпоху прецизионной медицины, адаптируя методы лечения к индивидуальным генетическим профилям для достижения лучших результатов для пациентов.