Dalawang taon na ang nakaraan, inihayag ni dating Pangulong Barack Obama ang Inisyatiba ng Precision Medicine sa kanyang Estado ng Union Address. Ang inisyatiba ay nagnanais sa isang "bagong panahon ng gamot" kung saan ang mga paggamot ng sakit ay partikular na angkop sa genetic code ng bawat pasyente.

Ito ay lubog sa gamot sa kanser. Ang mga pasyente ay maaaring pamahalaan ang kanilang kanser sa mga therapies na nagta-target sa mga tiyak na mga gene na binago sa kanilang partikular na tumor. Halimbawa, ang mga kababaihan na may isang uri ng kanser sa suso na sanhi ng paglaki ng gene HER2 ay kadalasang itinuturing na therapeutic na tinatawag na herceptin. Dahil ang mga naka-target na therapeutics ay tiyak sa mga selula ng kanser, malamang na magkaroon ng mas kaunting mga side effect kaysa sa tradisyonal na paggamot ng kanser sa chemotherapy o radiation.

Gayunpaman, ang mga paggamot na ito ay hindi magagamit para sa karamihan ng mga pasyente ng kanser. Sa maraming mga kanser, ang tiyak na mga pagbabago sa genetiko na responsable para sa isang kanser ay nananatiling hindi kilala. Upang lumikha ng mga indibidwal na paggagamot ng kanser, kailangan nating malaman ang higit pa tungkol sa mga functional genetic alterations.

Sa pamamagitan ng data sa genetika ng kanser na lumalaking mabilis, matematika at istatistika ay maaari na ngayong makatulong na maibukas ang mga nakatagong mga pattern sa data na ito upang mahanap ang mga gene na may pananagutan sa kanser ng isang indibidwal. Sa kaalaman na ito, maaaring piliin ng mga doktor ang naaangkop na paggamot na i-block ang pagkilos ng mga gene na ito upang i-personalize ang mga therapies para sa mga indibidwal na pasyente. Ang aking pananaliksik ay naglalayong mapabuti ang katumpakan gamot sa kanser - sa pamamagitan ng pagbuo sa parehong mga pamamaraan na ginamit upang makahanap ng mga pattern sa Netflix rating ng pelikula.

Pag-suri sa data

Sa ngayon, may hindi pa nagagawang pampublikong pag-access sa data ng genetika ng kanser. Ang mga datos na ito ay nagmumula sa mapagbigay na mga pasyente na nag-donate ng kanilang mga sample ng tumor para sa pananaliksik. Pagkatapos ay ginagamit ng mga siyentipiko ang mga sequencing technology upang masukat ang mutations at aktibidad sa bawat isa sa mga genes ng 20,000 sa genome ng tao.

Ang lahat ng data na ito ay isang direktang resulta ng Human Genome Project sa 2003. Tinukoy ng proyektong iyon ang pagkakasunud-sunod para sa lahat ng mga genes na bumubuo ng malusog na DNA ng tao. Dahil ang pagkumpleto ng proyektong iyon, ang gastos ng pagkakasunud-sunod ng genome ng tao ay may higit sa kalahati bawat taon, na lumalampas sa paglago ng kapangyarihan ng computing na inilarawan sa Batas ni Moore. Ang pagbabawas ng gastos na ito ay nagbibigay-daan sa mga pananaliksik upang mangolekta ng wala pang data na genetika mula sa mga pasyente ng cancer

Karamihan sa mga siyentipikong pag-aaral sa genetikong kanser na gumanap sa buong mundo ay naglalabas ng kanilang data sa isang sentralisadong, pampublikong database na ibinigay ng National Library of Medicine ng National National Institutes of Health (NIH). Ang NIH National Cancer Institute at National Human Genome Research Institute ay may malayang paglabas ng genetic data mula sa mga 11,000 tumor sa mga uri ng kanser ng 33 sa pamamagitan ng proyektong tinatawag na Ang Cancer Genome Atlas.

Bawat biological function - mula sa pagkuha ng enerhiya mula sa pagkain sa paglunas ng isang sugat - mga resulta mula sa aktibidad sa iba't ibang mga kumbinasyon ng mga genes. Ang mga pag-uusig ay nag-hijack sa mga gene na nagbibigay-daan sa mga tao na lumaki hanggang sa adulthood at na protektahan ang katawan mula sa immune system. Sinasaliksik ng mga mananaliksik ang mga ito "Mga tanda ng kanser." Ang tinatawag na dysregulation ng gene ay nagbibigay-daan sa isang tumor na maging hindi kontrolado at bumubuo ng mga metastases sa malayong mga organo mula sa orihinal na tumor site.

Ang mga mananaliksik ay aktibong gumagamit ng mga pampublikong data upang mahanap ang hanay ng mga pagbabago ng gene na may pananagutan para sa bawat uri ng tumor. Ngunit ang problemang ito ay hindi kasing simple ang pagkilala sa isang solong dysregulated na gene sa bawat tumor. Daan-daang, kung hindi libu-libong, ang mga genes ng 20,000 sa genome ng tao ay dysregulated sa kanser. Ang pangkat ng mga dysregulated gene ay nag-iiba sa tumor ng bawat pasyente, na may mas maliliit na hanay ng mga karaniwang reused gen na nagpapagana sa bawat tatak ng kanser.

Ang katumpakan ng gamot ay nakasalalay sa paghahanap ng mas maliit na grupo ng mga dysregulated na mga gene na may pananagutan sa biological function sa tumor ng bawat pasyente. Ngunit, ang mga gene ay maaaring magkaroon ng maraming biological function sa iba't ibang konteksto. Samakatuwid, dapat ilantad ng mga mananaliksik ang isang hanay ng mga "magkasanib na" gene na may mga karaniwang pag-andar sa isang hanay ng mga pasyente ng kanser.

Ang pag-uugnay sa kalagayan ng gene upang gumana ay nangangailangan ng kumplikadong matematika at napakalawak na kapangyarihan ng computing. Ang kaalaman na ito ay mahalaga upang mahulaan ang kinalabasan sa mga therapies na hahadlang sa pag-andar ng mga genes na ito. Kung gayon, paano natin mapapansin ang mga tampok na overlapping upang mahulaan ang mga indibidwal na resulta para sa mga pasyente?

Ano ang itinuturo sa atin ng Netflix

Sa kabutihang palad para sa amin, ang problemang ito ay nalutas na sa agham ng computer. Ang sagot ay isang uri ng mga diskarte na tinatawag na "matrix factorization" - at malamang na nakipag-ugnayan ka sa mga pamamaraan na ito sa iyong pang-araw-araw na buhay.

Sa 2009, Ang hawak ng Netflix ay isang hamon upang i-personalize ang mga rating ng pelikula para sa bawat gumagamit ng Netflix. Sa Netflix, ang bawat gumagamit ay may natatanging hanay ng mga rating ng iba't ibang mga pelikula. Habang ang dalawang mga gumagamit ay maaaring magkaroon ng katulad na panlasa sa mga pelikula, maaaring magkakaiba ang mga ito sa mga partikular na genre. Samakatuwid, hindi ka maaaring umasa sa paghahambing ng mga rating mula sa mga katulad na gumagamit.

Sa halip, ang isang matrix paktorisasyon algorithm hinahanap ng mga pelikula na may katulad na mga rating sa isang mas maliit na grupo ng mga gumagamit. Ang pangkat ng mga gumagamit ay mag-iiba para sa bawat pelikula. Inuugnay ng computer ang bawat gumagamit sa isang pangkat ng mga pelikula sa iba't ibang lawak, batay sa kanilang mga panlasa. Ang mga relasyon sa mga gumagamit ay tinutukoy bilang "mga pattern." Ang mga pattern na ito ay natutunan mula sa data, at maaaring makahanap ng mga karaniwang ranggo na hindi inaasahan ng genre ng pelikula na nag-iisa - halimbawa, ang mga gumagamit ay maaaring magbahagi ng isang kagustuhan para sa isang partikular na direktor o aktor.

Genevieve Stein-O'Brien, CC BY

Ang parehong proseso ay maaaring gumana sa kanser. Sa kasong ito, ang mga sukat ng dysregulation ng gene ay kahalintulad sa rating ng pelikula, genre ng pelikula sa biological function at mga gumagamit sa mga tumor ng mga pasyente. Ang computer ay naghahanap sa mga tumor ng pasyente upang makahanap ng mga pattern sa gene dysregulation na nagdudulot ng nakamamatay na biological function sa bawat tumor.

Mula sa mga pelikula hanggang sa mga tumor

Ang pagkakatulad sa pagitan ng mga rating ng pelikula at genetikong kanser ay bumagsak sa mga detalye. Maliban kung sila ay mga menor de edad, ang mga gumagamit ng Netflix ay hindi napigilan sa mga pelikula na pinapanood nila. Subalit, mas gusto ng aming katawan upang mabawasan ang bilang ng mga gene na ginagamit para sa anumang nag-iisang pagpapaandar. Mayroon ding mga malalaking redundancy sa pagitan ng mga gene. Upang maprotektahan ang isang cell, isang gene ang maaaring madaling mapapalitaw ng isa upang maghatid ng isang karaniwang function. Ang mga pag-andar ng gene sa kanser ay mas kumplikado. Ang mga tumor ay lubos na kumplikado at mabilis na nagbabago, depende sa mga random na pakikipag-ugnayan sa pagitan ng mga selula ng kanser at ng katabi malusog na organ.

Upang maitala ang mga pagkakumplikado na ito, nakagawa kami ng matris na tinatawag na paktorisasyon Coordinated Gene Activity sa Pattern Sets - o CoGAPS para sa maikli. Ang aming algorithm ay tumutukoy sa minimalism ng biology sa pamamagitan ng pagsasama ng ilang mga gene hangga't maaari sa mga pattern para sa bawat tumor.

Ang iba't ibang mga gene ay maaari ring palitan para sa isa't isa, ang bawat isa ay naghahatid ng katulad na function sa ibang konteksto. Upang mag-account para sa mga ito, CoGAPS sabay-sabay tinatantya ang isang istatistika para sa tinatawag na "mga pattern" ng function ng gene. Ito ay nagpapahintulot sa amin upang kalkulahin ang posibilidad ng bawat gene na ginagamit sa bawat biyolohikal na function sa isang tumor.

Halimbawa, maraming mga pasyente ang nagsasagawa ng isang naka-target na therapeutic na tinatawag na cetuximab upang pahabain ang kaligtasan ng buhay sa mga colorectal, pancreatic, baga at oral na kanser. Natuklasan ng aming kamakailang trabaho na maaaring makilala ng mga pattern na ito ang pag-andar ng gene sa mga selula ng kanser na tumugon sa naka-target na therapeutic agent cetuximab mula sa mga hindi.

Ang kinabukasan

Sa kasamaang palad, ang mga therapies ng kanser na nagta-target sa mga genes ay karaniwang hindi maaaring gamutin ang sakit ng isang pasyente. Maaari lamang nilang maantala ang pag-unlad sa loob ng ilang taon. Karamihan sa mga pasyente ay pagkatapos ay nagbalik-loob, na may mga tumor na hindi na tumutugon sa paggamot.

Ang aming sariling kamakailang trabaho natagpuan na ang mga pattern na makilala ang pag-andar ng gene sa mga cell na tumutugon sa cetuximab ay kinabibilangan ng mga mismong mga gene na nagbubunga ng paglaban. Ang mga umuusbong na mga immunotherapy ay maaasahan at lilitaw upang gamutin ang ilang mga kanser. Gayunpaman, sa kadalasang madalas, ang mga pasyente na may mga paggagamot na ito ay nagbago rin. Ang mga bagong data na sumusubaybay sa genetika ng kanser pagkatapos ng paggamot ay napakahalaga upang matukoy kung bakit hindi na tumugon ang mga pasyente.

Kasama ang mga data na ito, ang biology ng kanser ay nangangailangan din ng isang bagong henerasyon ng mga siyentipiko na maaaring tulungan ang matematika at istatistika upang matukoy ang mga pagbabago sa genetika na nagaganap sa paglipas ng panahon sa paglaban sa droga. Sa iba pang larangan ng matematika, ang mga programa sa computer ay maaaring mag-forecast ng pangmatagalang resulta. Ang mga modelong ito ay karaniwang ginagamit sa prediksyon ng panahon at estratehiya sa pamumuhunan.

Sa mga larangang ito at aking sariling nakaraang pananaliksik, natuklasan namin na ang mga update sa mga modelo mula sa mga malalaking dataset - tulad ng data ng satellite sa kaso ng panahon - mapabuti ang pang-matagalang mga pagtataya. Nakita namin ang lahat ng epekto ng mga update na ito, na may mga paghuhula ng panahon na nagpapabuti sa mas malapit na kami ay isang bagyo.

Tulad ng mga tool mula sa computer science na ginamit ay maaaring iakma sa parehong mga rekomendasyon at kanser sa pelikula, ang hinaharap na henerasyon ng mga computational scientist ay magpapatibay ng mga tool ng hula mula sa isang hanay ng mga patlang para sa katumpakan gamot. Sa huli, sa pamamagitan ng mga tool ng computational na ito, inaasahan naming mahuhulaan ang tugon ng tumor sa therapy na kadalasang hinuhulaan namin ang panahon, at marahil mas mapagkakatiwalaan.

Tungkol sa Ang May-akda

Si Elana Fertig, Assistant Professor ng Oncology Biostatistics at Bioinformatics, Johns Hopkins University

Ang artikulong ito ay orihinal na na-publish sa Ang pag-uusap. Basahin ang ang orihinal na artikulo.

Mga Kaugnay Books

at InnerSelf Market at Amazon