Komoly rákkutatási áttörés részese az új államtitkár

Egy daganaton belül nem minden tumorsejt működik ugyanúgy: egyes sejtcsoportok gyorsabban növekedhetnek, másképp reagálhatnak a kezelésre, vagy nagyobb szerepük lehet az áttétek kialakulásában. Szegedi kutatók svájci és svéd partnereikkel olyan módszereket fejlesztenek, amelyek mesterséges intelligencia segítségével sejtszinten próbálják feltérképezni ezeket a különbségeket.

A daganatokat gyakran egyetlen elváltozásként írjuk le, miközben ugyanazon a tumoron belül egymástól eltérő tulajdonságú sejtcsoportok lehetnek jelen, ezek között lehetnek olyanok, amelyek érzékenyebbek egy adott kezelésre, mások viszont ellenállóbbak, eltérő ütemben növekednek, vagy olyan tulajdonságokat hordoznak, amelyek később szerepet játszhatnak az áttétek kialakulásában.

Ezeknek a különbségeknek a vizsgálatával foglalkozik a Szegedi Biológiai Kutatóközpont Lendület Mikroszkópos Képelemzés és Gépi Tanulás Kutatócsoportja, amelyet a nemrég tudományért felelős államtitkárrá kinevezett Horváth Péter vezet. A csoport mesterséges intelligencián alapuló képelemzést kapcsol össze genetikai és fehérjeszintű vizsgálatokkal, így a mikroszkóp alatt látható eltérések mellett azt is meg lehet nézni, milyen molekuláris folyamatok zajlanak az egyes sejtcsoportokban.

A kutatók két friss tanulmányban számoltak be az eredményeikről. Az egyikben a daganaton belül elkülönülő tumorsejtcsoportokat vizsgálták gén-és fehérjeszinten, a másikban pedig egy áttétes melanomás beteg eredeti tumorát hasonlították össze a később kialakult tüdő- és agyi áttétekkel.

Nem feltétlenül látszik minden a teljes tumor vizsgálatából

A molekuláris vizsgálatok során gyakran egy nagyobb szövetdarabot elemeznek egyszerre, ami megmutatja, milyen genetikai vagy fehérjeszintű jellemzők dominálnak a mintában, a kisebb sejtcsoportok sajátosságai azonban könnyen háttérbe szorulhatnak, ez különösen akkor lehet fontos, ha egy viszonylag kis számú sejtből álló csoport biológiailag jelentősen eltér a tumor többi részétől. A szegedi kutatók ezért először mesterséges intelligenciával elemzik a szövettani képet, és ez alapján választják ki azokat a sejteket vagy sejtcsoportokat, amelyeket érdemes külön megvizsgálni. A kijelölt sejteket egy automatizált rendszer lézerrel választja le a mintáról, majd különböző molekuláris vizsgálatok következnek.

A munkában használt egyik módszer a Deep Visual Proteomics, röviden DVP, amely a mikroszkópos képelemzést a sejtek fehérjeállományának vizsgálatával kapcsolja össze. Miután az AI kijelölte a vizsgálandó sejteket, azokat lézerrel elkülönítik, majd meghatározzák, milyen fehérjék találhatók bennük. Ezekből következtetni lehet többek között arra, milyen folyamatok aktívak a sejtekben, hogyan növekednek, illetve milyen mechanizmusok befolyásolhatják a kezelésre adott válaszukat.Az egyik friss vizsgálatban a kutatók ezt a génaktivitás elemzésével is kiegészítették, vagyis ugyanazokról a tumorsejtcsoportokról egyszerre nézték meg, mely gének aktívak bennük, és milyen fehérjék vannak jelen. A kétféle adat együtt részletesebb képet adhat arról, hogy a mikroszkóp alatt eltérőnek látszó sejtek valóban különböznek-e egymástól működésükben is.

A vizsgálatban elsősorban olyan sejtcsoportokra koncentráltak, amelyek már a szövettani képen is eltértek a környezetüktől. A cél annak ellenőrzése volt, hogy ezek a látható különbségek együtt járnak-e eltérő génműködéssel vagy fehérje-összetétellel.

Egy melanomás beteg esetében az áttétekkel is összevetették az eredeti tumort

A másik tanulmányban egy fiatal, kiújult, áttétes melanomában szenvedő beteg mintáit vizsgálták. A kutatók számára az eredeti daganatból, valamint a később kialakult tüdő- és agyi áttétekből is rendelkezésre állt szövetminta, így össze tudták hasonlítani, milyen sejtcsoportok jelentek meg a betegség különböző szakaszaiban.

A mesterséges intelligencia az eredeti melanomában két eltérő tumorsejtcsoportot azonosított. A későbbi áttétek sejtjei ezek közül főként az egyikhez hasonlítottak, és a fehérjeelemzés is azt mutatta, hogy ennek a csoportnak a molekuláris mintázata állt közelebb az áttétekben mérthez.

Ez arra utal, hogy az áttétek egyes jellemzői már az eredeti daganat egyik sejtcsoportjában is jelen lehettek.

„A bemutatott eset kapcsán nem egyszerűen azt láttuk, hogy a melanomás daganat különböző részei másképp néznek ki. A módszerrel azt is meg tudtuk mutatni, hogy ezek a különbségek fehérjeszinten is megjelennek. Ez közelebb vihet annak megértéséhez, mely sejtcsoportok lehetnek felelősek az áttétek kialakulásáért” – magyarázta Migh Ede, a kutatás egyik résztvevője.

A vizsgálat egyetlen beteg esetét dolgozta fel, ezért ebből önmagában nem lehet általános következtetéseket levonni arra vonatkozóan, hogy más daganatoknál is ugyanilyen módon visszakövethető az áttétek eredete. Ehhez nagyobb betegcsoportok és többféle daganattípus vizsgálatára van szükség.

Egyelőre kutatási módszerről van szó

A mesterséges intelligencia ebben a rendszerben nem önállóan állít fel diagnózist, hanem a szövetminták elemzésében segít: kijelöl olyan sejteket vagy sejtcsoportokat, amelyek további vizsgálatra érdemesek lehetnek. Ezeket ezután genetikai és fehérjeszintű módszerekkel lehet részletesebben elemezni.

A kutatók szerint hosszabb távon annak lehet jelentősége, ha sikerül olyan sejtcsoportokat vagy molekuláris mintázatokat azonosítani, amelyek összefüggnek az áttétképzéssel vagy a kezelésekkel szembeni ellenállással. Ebben az esetben a daganat típusán túl annak belső összetétele is szerepet kaphatna a terápiás döntésekben.

„Minél pontosabban látjuk, mely sejtek viszik előre a betegséget, annál közelebb kerülhetünk ahhoz, hogy ne csak általánosságban kezeljük a tumort, hanem annak legveszélyesebb részeire próbáljunk célzottan hatni a megfelelő gyógyszerekkel vagy gyógyszer-kombinációkkal” – mondta Horváth Péter.

Az eljárás jelenleg kutatási célokat szolgál, és további vizsgálatok szükségesek ahhoz, hogy kiderüljön, milyen esetekben lehet klinikailag is használható. A mostani eredmények elsősorban azt mutatják meg, hogy a daganaton belüli sejtcsoportok közötti különbségeket a mikroszkópos kép mellett molekuláris szinten is lehet vizsgálni, és ezek összehasonlítása segíthet jobban megérteni, hogyan változik a tumor a betegség előrehaladtával.

Fotó: Pixabay