Новый метод, разработанный учеными Калифорнийского университета в Лос-Анджелесе, может в конечном итоге привести к тому, чтобы сделать именно это, используя данные о генетических последовательностях пациентов для создания более надежных прогнозов времени выживания и того, как они могут реагировать на возможное лечение. Этот метод представляет собой инновационный способ использования больших биомедицинских данных, который выявляет закономерности и тенденции из огромного количества информации о пациентах, для достижения точной медицины, что дает врачам возможность лучше адаптировать свой уход для каждого отдельного пациента.
Такой подход, вероятно, позволит врачам дать более точные прогнозы для людей со многими типами рака. В этом исследовании ученые Калифорнийского университета в Лос-Анджелесе изучали рак груди, головного мозга (мультиформная глиобластома, высоко злокачественная и агрессивная форма; и глиома более низкого уровня, менее агрессивная версия), легких, яичников и почек.
Кроме того, это может позволить ученым анализировать генетические последовательности людей и определять, какие из них смертельны, а какие безвредны.
Новый метод анализирует различные изоформы генов — комбинации генетических последовательностей, которые могут производить огромное количество РНК и белков из одного гена — используя данные молекул РНК в образцах рака. Этот процесс, называемый секвенированием РНК или RNA-seq, выявляет присутствие и количество молекул РНК в биологическом образце. В методе, разработанном в Калифорнийском университете в Лос-Анджелесе, ученые проанализировали соотношение немного разных генетических последовательностей внутри изоформ, что позволило им обнаружить важные, но тонкие различия в генетических последовательностях. Напротив, традиционный анализ объединяет все изоформы вместе, что означает, что методика упускает важные различия внутри изоформ.
SURVIV (для «анализа выживаемости вариации изоформ мРНК») — это первый статистический метод для проведения анализа выживаемости изоформ с использованием данных RNA-seq, — сказал старший автор И Син, доцент кафедры микробиологии, иммунологии и молекулярной генетики Калифорнийского университета в Лос-Анджелесе. Исследование опубликовано в журнале Nature Communications.
Исследователи сообщают, что идентифицировали около 200 изоформ, которые связаны со временем выживания людей с раком груди; некоторые предсказывают более длительное время выживания, другие связаны с более коротким временем. Вооруженные этими знаниями, ученые, возможно, в конечном итоге смогут нацелить на изоформы, связанные с более коротким временем выживания, чтобы подавить их и бороться с болезнями, сказал Син.
Исследователи оценили эффективность предикторов выживаемости с помощью показателя, называемого C-индекс, и обнаружили, что по шести различным типам рака, которые они проанализировали, их прогнозы на основе изоформ были стабильно лучше, чем обычные прогнозы на основе генов.
Результат был удивительным, поскольку он предполагает, вопреки общепринятому мнению, что соотношение изоформ обеспечивает более надежную молекулярную сигнатуру больных раком, чем общее изобилие генов, сказал Син, директор докторской программы по биоинформатике Калифорнийского университета в Лос-Анджелесе и член Института количественных и вычислительных вычислений Калифорнийского университета в Лос-Анджелесе.
Бионауки.
«Наше открытие предполагает, что соотношение изоформ обеспечивает более надежную молекулярную сигнатуру больных раком в крупномасштабных наборах данных РНК-seq», — сказал он.
Исследователи изучили ткани 2684 больных раком, образцы которых были включены в Атлас генома рака Национального института здравоохранения, и потратили более двух лет на разработку алгоритма для SURVIV.
По словам Сина, человеческий ген обычно производит от семи до 10 изоформ.
«При раке иногда один ген производит две изоформы, одна из которых способствует метастазированию, а другая подавляет метастазирование», — сказал он, добавив, что понимание различий между ними чрезвычайно важно в борьбе с раком.
"Мы только поцарапали поверхность", — сказал Син. "Мы применим этот метод к гораздо большим наборам данных и рассчитываем узнать гораздо больше."