نوشته شانیا کندی
– محققان مرکز پزشکی جنوب غربی دانشگاه تگزاس (UT) یک ابزار محاسباتی برای پیش بینی پاسخ ایمونوتراپی سرطان سینه با تجزیه و تحلیل نحوه تعامل سرطان و سلول های ایمنی ایجاد کرده اند.
تیم تحقیقاتی نشان داد که پیش‌بینی پاسخ درمانی بیماران پتانسیل قابل‌توجهی برای اطلاع‌رسانی و بهبود درمان دارد، زیرا ایمنی‌درمانی‌های فعلی محدود هستند.
ایمونوتراپی‌ها پیشرفت‌های باورنکردنی در افزایش بقای بیماران سرطانی داشته‌اند، اما آنها فقط در 20 درصد مواقع مؤثر هستند. ایزاک چان، MD، PhD، استادیار پزشکی داخلی و زیست شناسی مولکولی و در دانشگاه گفت: برای سودمندتر کردن ایمونوتراپی ها، ما باید درک بهتری از ترکیب سلولی تومورهای خاص و نحوه تعامل آن سلول ها با یکدیگر داشته باشیم. مرکز جامع سرطان هارولد سی. سیمونز در UT Southwestern، در بیانیه مطبوعاتی.
محققان خاطرنشان کردند که ایمونوتراپی های موجود بر این دانش تکیه دارند که بسیاری از انواع سلول ها – از جمله سرطان و سلول های ایمنی – در تومورها وجود دارند. این سلول های ایمنی می توانند به تومورها حمله کنند یا آن ها را تقویت کنند.
ایمونوتراپی‌های کنونی اغلب سلول‌های T را تحریک می‌کنند، نوعی از سلول‌های ایمنی، برای مبارزه با سرطان. با این حال، سایر سلول های ایمنی، مانند سلول های کشنده طبیعی (NK) نیز می توانند به حمله به سلول های سرطانی کمک کنند.
اما تیم تحقیقاتی تاکید کرد که در برخی موارد، فعل و انفعالات بین سلول‌های NK و سلول‌های سرطانی می‌تواند سلول‌های NK را برای ارتقای رشد تومور برنامه‌ریزی مجدد کند، نه اینکه مانع آن شود. در تحقیقات قبلی، چان و همکارانش سلول‌های NK برنامه‌ریزی‌شده مجدد را در نمونه‌های سرطان سینه شناسایی کردند و دریافتند که بیمارانی که سطوح بالای این سلول‌ها را داشتند، نتایج بدتری نسبت به بیمارانی که سطوح پایین‌تری داشتند، داشتند.
برای بررسی پتانسیل هدف‌گیری درمانی سلول‌های NK مجدد برنامه‌ریزی‌شده، تیم تحقیقاتی از توالی‌یابی RNA تک سلولی (scRNA-seq) برای ارزیابی بیان ژن فردی و برهمکنش‌های سرطان-سلول ایمنی استفاده کردند.
با ترکیب هشت پایگاه داده scRNA-seq موجود، محققان یک اطلس تومور سینه تک سلولی متشکل از 119 نمونه تومور از 88 بیمار مبتلا به سرطان پستان را توسعه دادند. اطلس به تیم تحقیقاتی اجازه داد تا اطلاعات بیش از 236000 سلول را تجزیه و تحلیل کند.
تجزیه و تحلیل 10 دسته از سلول های سرطانی را بر اساس ناهمگنی سلول های اپیتلیال و بیان ژن نشان داد.
در حال حاضر، سه دسته از سلول ها – سه گانه منفی، هورمون مثبت و HER2 مثبت – برای هدایت برنامه ریزی درمانی استفاده می شود.
محققان همچنین تعیین کردند که توزیع 10 دسته سلولی در میان تومورها متفاوت است و بیشتر نمونه ها حاوی ترکیبی از زیرگروه های سلولی هستند. این مطالعه همچنین نشان داد که بیماران با ترکیبات خاصی از زیرگروه های سلولی، نتایج بدتری نسبت به همتایان خود داشتند.
با استفاده از این بینش، تیم تحقیقاتی InteractPrint، یک ابزار پزشکی دقیق طراحی شده برای پیش‌بینی پاسخ ایمنی درمانی سرطان سینه را توسعه و آزمایش کرد. این ابزار زمانی که برای پیش‌بینی پاسخ به مهار ایست بازرسی ایمنی (ICI) در سرطان سینه در طول دو کارآزمایی بالینی که درمان نئوادجوانت ضد PD-1 را آزمایش می‌کردند، کارایی بالایی نشان داد.
تیم تحقیقاتی تاکید کرد که InteractPrint می‌تواند برای کمک به پزشکان در ارزیابی احتمال پاسخ ایمونوتراپی در بیماران در انواع سرطان مفید باشد و آنها را قادر می‌سازد تا درمانی با بیشترین شانس موفقیت را انتخاب کنند.
دیگران نیز در حال توسعه تکنیک های تجزیه و تحلیل پیش بینی برای پیشبرد پزشکی دقیق هستند.
در ماه آوریل، محققان دانشگاه ایالتی آریزونا توسعه یک مدل یادگیری ماشینی را برای پیش‌بینی چگونگی واکنش سیستم ایمنی بیمار به سلول‌های خارجی شرح دادند.
این ابزار، یک شبکه عصبی کانولوشن به نام آنتی ژن لکوسیت انسانی (HLA)-Inception، از داده های فردی در مورد فعل و انفعالات مولکولی برای ارزیابی اینکه چگونه پروتئین های اصلی مجتمع سازگاری بافتی-1 (MHC-1) بر پاسخ ایمنی تأثیر می گذارد، استفاده می کند.
این پروتئین ها برای توانایی سیستم ایمنی در تشخیص و پاسخ به سلول های خارجی بسیار مهم هستند.
HLA-Inception نحوه تعامل MHC-1s با پپتیدهای خارجی را روشن می کند و به محققان این امکان را می دهد که پاسخ ایمنی را پیش بینی کنند و به طور بالقوه درمان را شخصی کنند.