In een groot onderzoek, uitgevoerd onder leiding van USC Assistant Professor of Computer Science Ruishan Liu, is aangetoond hoe specifieke genetische mutaties van invloed zijn op de resultaten van kankerbehandelingen. Deze ontdekking kan ertoe bijdragen deze behandelingen effectiever te maken en meer toegespitst op de patiënt. Voor de genetische analyses maakten de onderzoekers gebruik van AI-gestuurde methodes.
Voor het onderzoek werden de gegevens van meer dan 78.000 kankerpatiënten met 20 vormen van kanker en diverse behandelvormen, zoals immuno- en chemotherapie, geanalyseerd. Met behulp van een geavanceerde computationele analyse werden bijna 800 genetische mutaties geïdentificeerd die een directe invloed hadden op de overlevingskansen van deze patiënten.
Machine learning tool
De onderzoekers konden uiteindelijk 95 genen aanwijzen die significant geassocieerd waren met overleving van diverse vormen van kanker, zoals borstkanker, eierstokkanker, huidkanker en maagdarmkanker. Voortbouwend op deze inzichten ontwikkelde het team een machine learning tool om te voorspellen hoe patiënten met gevorderde longkanker zouden kunnen reageren op immunotherapie.
“Deze ontdekkingen laten zien hoe genetische profilering een cruciale rol kan spelen bij het personaliseren van kankerzorg. Door te begrijpen hoe verschillende mutaties de respons op de behandeling beïnvloeden, kunnen artsen de meest effectieve therapieën selecteren - waardoor ineffectieve therapieën mogelijk worden vermeden en de aandacht wordt gericht op de therapieën die hoogstwaarschijnlijk helpen”, aldus onderzoeksleider professor Ruishan Liu.
Genetische mutaties
Genetische mutaties - veranderingen in het DNA - kunnen van invloed zijn op hoe kanker zich ontwikkelt en hoe een patiënt op een behandeling reageert. Sommige mutaties ontstaan willekeurig, terwijl andere geërfd zijn. Bij kanker kunnen deze mutaties bepalen of een tumor agressiever is of hoe deze reageert op bepaalde behandelingen. Daarom wordt tegenwoordig steeds vaker gebruik gemaakt van genetische tests om dergelijk mutaties te kunnen identificeren en artsen beter in staat te stellen de meest geschikte behandeling te kiezen.
Patiënten bij wie de diagnose niet-kleincellige longkanker (NSCLC) is gesteld, worden bijvoorbeeld vaak genetisch getest op mutaties in genen zoals KRAS, EGFR en ALK om te bepalen of doelgerichte therapieën of immuuntherapieën effectief kunnen zijn.
Belangrijke bevindingen
Het onderzoek van professor Liu en zijn team heeft een aantal belangrijke bevindingen gedaan:
- KRAS-mutaties in gevorderde niet-kleincellige longkanker hielden verband met een slechtere respons op een veelgebruikte behandeling (EGFR-remmers), wat suggereert dat alternatieve behandelingen nodig kunnen zijn.
- NF1-mutaties verbeterden de respons op immuuntherapie en verslechterden de respons op bepaalde gerichte therapieën, wat hun complexe rol in de behandeling benadrukt.
- Mutaties in de PI3K-route, die de celgroei regelen, hadden verschillende effecten afhankelijk van het type kanker, met verschillende reacties op borst-, melanoom- en nierkanker.
- Mutaties in de DNA-herstelroute verbeterden de effectiviteit van immunotherapie bij longkanker door de instabiliteit van de tumor te vergroten.
- Mutaties in immuungerelateerde pathways werden geassocieerd met betere overlevingskansen voor longkankerpatiënten die werden behandeld met immuuntherapie, wat suggereert dat niet alle mutaties het succes van de behandeling in de weg staan.
Het volledige onderzoek werd onlangs gepubliceerd in in Nature Communications.
Een krachtig voorspellend hulpmiddel
Terwijl kankerbehandelingen traditioneel een one-size-fits-all benadering volgden, waarbij patiënten met hetzelfde type kanker dezelfde standaardbehandelingen kregen, onderstreept het onderzoek het belang van precisiegeneeskunde, waarbij de behandeling wordt afgestemd op de unieke genetische samenstelling van een patiënt.
Hoewel er enorme hoeveelheden mutatiegegevens bestaan, zijn er slechts voor een klein aantal daarvan klinisch gevalideerde behandelingen, waardoor de potentiële impact in de echte wereld en het voordeel voor de patiënt beperkt zijn. Om deze kloof te overbruggen, op basis van hun bevindingen, gebruikte het team van Liu machine learning om te analyseren hoe meerdere mutaties op elkaar inwerken om de behandelresultaten te beïnvloeden.
Ze ontwikkelden een Random Survival Forest (RSF) model, een voorspellend hulpmiddel dat is ontworpen om aanbevelingen voor de behandeling van longkankerpatiënten te verfijnen. Door grootschalige gegevens uit de echte wereld te integreren met machine learning, identificeerde het model nieuwe interacties tussen mutaties en behandelingen.
“Ons doel was om patronen te vinden die op het eerste gezicht misschien niet voor de hand liggen, en deze inzichten vervolgens te vertalen naar real-world tools die de toegang tot immuuntherapie voor mensen met kanker kunnen vergroten”, aldus Lui. “Een belangrijke innovatie ligt in het integreren van enorme hoeveelheden gegevens met geavanceerde statistische en machine-learningtechnieken om eerder niet herkende mutatie-behandelinteracties bloot te leggen.”
Verder klinisch onderzoek
Hoewel verdere klinische onderzoeken nodig zijn, ziet Liu dit onderzoek als een belangrijke stap in de richting van het nauwkeuriger en persoonlijker maken van kankerbehandeling. Het belang van genetische analyses en -onderzoek in relatie tot het kunnen personaliseren van kankerbehandelingen wordt sinds 2023 ook onderzocht in het Europese project Personalised Cancer Medicine for EU (PCM4EU). Doel van dat onderzoek is het in kaart brengen van het genetisch profiel van een tumor om aan de hand daarvan de meest geschikte behandeling kiezen.
“Dit onderzoek laat de kracht zien van computationele wetenschap bij het transformeren van complexe klinische en genomische gegevens in bruikbare inzichten,” zei ze. “Het geeft veel voldoening om bij te dragen aan instrumenten en kennis die de patiëntenzorg direct kunnen verbeteren.”
