Μηχανική μάθηση: Το επίπονο πρώτο βήμα για τον εντοπισμό υποδοχέων Τ-λεμφοκυττάρων που αντιδρούν στον όγκο για ασθενείς μπορεί να αντικατασταθεί με έναν ταξινομητή μηχανικής μάθησης που μειώνεται κατά το ήμισυ.
Η πραγματοποίηση μιας εξατομικευμένης θεραπείας με Τ κύτταρα για ασθενείς με καρκίνο διαρκεί επί του παρόντος τουλάχιστον έξι μήνες. Οι επιστήμονες του Γερμανικού Κέντρου Ερευνών για τον Καρκίνο (DKFZ) και του Πανεπιστημιακού Ιατρικού Κέντρου Mannheim έδειξαν ότι το επίπονο πρώτο βήμα για τον εντοπισμό υποδοχέων Τ-λεμφοκυττάρων που αντιδρούν στον όγκο για ασθενείς μπορεί να αντικατασταθεί με έναν ταξινομητή μηχανικής μάθησης που μειώνεται κατά το ήμισυ.
Οι εξατομικευμένες κυτταρικές ανοσοθεραπείες θεωρούνται πολλά υποσχόμενες νέες θεραπευτικές επιλογές για διάφορους τύπους καρκίνου. Μία από τις θεραπευτικές προσεγγίσεις που δοκιμάζονται επί του παρόντος είναι τα λεγόμενα «διαγονιδιακά Τ-κύτταρα υποδοχέα Τ-κυττάρων». Η ιδέα πίσω από αυτό είναι ότι τα ανοσοκύτταρα Τ από έναν ασθενή είναι εξοπλισμένα στο εργαστήριο για να αναγνωρίζουν τον μοναδικό όγκο του ίδιου του ασθενούς και στη συνέχεια να επανεγχέονται σε μεγάλους αριθμούς για να σκοτώσουν αποτελεσματικά τα καρκινικά κύτταρα.
Η ανάπτυξη τέτοιων θεραπειών είναι μια περίπλοκη διαδικασία. Πρώτον, οι γιατροί απομονώνουν Τ-κύτταρα διείσδυσης όγκου (TILs) από ένα δείγμα του ιστού όγκου του ασθενούς. Αυτός ο κυτταρικός πληθυσμός αναζητείται στη συνέχεια για υποδοχείς Τ-κυττάρων που αναγνωρίζουν τις ειδικές για τον όγκο μεταλλάξεις και μπορούν έτσι να σκοτώσουν τα καρκινικά κύτταρα.
Αυτή η αναζήτηση είναι επίπονη και μέχρι στιγμής απαιτούσε γνώση των ειδικών για τον όγκο μεταλλάξεων που οδηγούν σε αλλαγές πρωτεΐνης που αναγνωρίζονται από το ανοσοποιητικό σύστημα του ασθενούς. Κατά τη διάρκεια αυτής της περιόδου, ο όγκος μεταλλάσσεται και εξαπλώνεται συνεχώς, κάνοντας αυτό το βήμα αγώνα με τον χρόνο.
«Η εύρεση των σωστών υποδοχέων Τ-λεμφοκυττάρων είναι σαν να ψάχνεις για μια βελόνα σε μια θημωνιά χόρτου, δαπανηρή και χρονοβόρα», λέει ο Michael Platten, Επικεφαλής Τμήματος στο DKFZ και Διευθυντής του Τμήματος Νευρολογίας στο Πανεπιστημιακό Ιατρικό Κέντρο του Mannheim. «Με μια μέθοδο που μας επιτρέπει να αναγνωρίζουμε τους υποδοχείς Τ-λεμφοκυττάρων που αντιδρούν στον όγκο ανεξάρτητα από τη γνώση των αντίστοιχων επιτόπων όγκου, η διαδικασία θα μπορούσε να απλοποιηθεί και να επιταχυνθεί σημαντικά».
Μια ομάδα με επικεφαλής τον Platten και τον επικεφαλής της μελέτης Ed Green παρουσίασε τώρα μια νέα τεχνολογία που μπορεί να επιτύχει ακριβώς αυτόν τον στόχο σε μια πρόσφατη δημοσίευση. Ως σημείο εκκίνησης, οι ερευνητές απομόνωσαν TIL από μετάσταση εγκεφάλου ασθενούς με μελάνωμα και πραγματοποίησαν αλληλουχία μονοκυττάρου για να χαρακτηρίσουν κάθε κύτταρο. Οι υποδοχείς Τ-λεμφοκυττάρων που εκφράζονται από αυτά τα TIL στη συνέχεια δοκιμάστηκαν μεμονωμένα στο εργαστήριο για τον εντοπισμό εκείνων που αναγνωρίστηκαν και σκότωσαν καρκινικά κύτταρα ασθενών.
Στη συνέχεια, οι ερευνητές συνδύασαν αυτά τα δεδομένα με την εκπαίδευση ενός μοντέλου μηχανικής μάθησης για την πρόβλεψη των αντιδρώντων στον όγκο υποδοχέων Τ κυττάρων. Ο προκύπτων ταξινομητής θα μπορούσε να αναγνωρίσει αντιδρώντα στον όγκο Τ κύτταρα από TILs με ακρίβεια 90%, να λειτουργήσει σε πολλούς διαφορετικούς τύπους όγκων και να φιλοξενήσει δεδομένα από διαφορετικές τεχνολογίες κυτταρικής αλληλουχίας.
«Το PredicTCR μας δίνει τη δυνατότητα να μειώσουμε τον χρόνο που χρειάζεται για να αναγνωρίσουμε εξατομικευμένους υποδοχείς Τ-λεμφοκυττάρων που αντιδρούν στον όγκο από περισσότερους από τρεις μήνες σε λίγες μέρες, ανεξάρτητα από τον τύπο του όγκου», δήλωσε ο Ed Green. “Τώρα επικεντρωνόμαστε στο να φέρουμε αυτή την τεχνολογία στην κλινική πρακτική εδώ στη Γερμανία. Για να χρηματοδοτήσουμε περαιτέρω ανάπτυξη, ιδρύσαμε την start-up βιοτεχνολογίας Tcelltech”, προσθέτει ο Michael Platten. “Το PredicTCR είναι μία από τις βασικές τεχνολογίες αυτού του νέου spin-off του DKFZ.” Η έρευνα δημοσιεύεται στο περιοδικό Nature Biotechnology.
Διαβάστε όλες τις τελευταίες Ειδήσεις για την υγεία από την Ελλάδα και τον ΚόσμοΑκολουθήστε το healthweb.gr στο Google News και μάθετε πρώτοι όλες τις ειδήσεις
Ακολουθήστε το healthweb.gr στο κανάλι μας στο YouTube
