دو سال پیش باراک اوباما، رئیس جمهور پیشین، اعلام کرد ابتکار پزشکی دقیق در دولت خود را از آدرس اتحادیه. ابتکار عمل به "عصر جدید پزشکی" که در آن درمان های بیماری می تواند به طور خاص به کد ژنتیکی هر بیمار طراحی شده است.

این به شدت در پزشکی سرطان مقاوم شد. بیماران می توانند سرطان خود را با درمان هایی که ژن های خاصی را که در تومور خاص آنها تغییر می کنند، کنترل کنند. به عنوان مثال، زنان مبتلا به نوع سرطان پستان ناشی از تقویت ژن HER2 اغلب با درمان دارویی به نام هرثپتین درمان می شوند. از آنجایی که این درمان های هدفمند اختصاصی به سلول های سرطانی هستند، آنها تمایل دارند عوارض جانبی کمتر از درمان سرطان سنتی با شیمی درمانی یا پرتودرمانی داشته باشند.

با این حال، چنین درمان هایی برای اکثر بیماران مبتلا به سرطان در دسترس نیست. در بسیاری از سرطانها، تغییرات ژنتیکی خاصی که مسئول سرطان هستند، ناشناخته هستند. برای ایجاد درمان های سرطانی فردی، باید بیشتر درباره تغییرات ژنتیکی عملکرد بدانیم.

با اطلاعاتی که در مورد ژنتیک سرطان به سرعت در حال رشد است، ریاضیات و آمار اکنون می توانند الگوهای پنهان را در این داده ها برای باز کردن ژن هایی که مسئول سرطان فرد هستند باز کنند. با این دانش، پزشکان می توانند درمان های مناسب را انتخاب کنند که فعالیت این ژن ها را متوقف کند تا درمان های فردی را برای بیماران خاص انجام دهد. تحقیقات من به منظور بهبود دقت دارو در سرطان است - با استفاده از همان روش هایی که برای پیدا کردن الگوهای در رتبه بندی فیلم Netflix استفاده می شود.

تجزیه و تحلیل از طریق داده ها

امروزه دسترسی عمومی بی سابقه به داده های ژنتیک سرطان وجود دارد. این داده ها از بیماران سخاوتمند است که نمونه های تومور خود را برای تحقیق اهدا می کنند. سپس دانشمندان فناوری توالی را برای اندازه گیری جهش و فعالیت در هر یک از ژنهای 20,000 در ژنوم انسان اعمال می کنند.

تمام این داده ها یک نتیجه مستقیم از پروژه ژنوم انسان در 2003 این پروژه توالی را برای تمام ژن هایی که DNA انسانی سالم را تشکیل می دهند تعریف کرد. از زمان تکمیل این پروژه، هزینه توالی ژنوم انسان تا به حال است هر سال بیش از دو برابر شده است، فراتر از رشد قدرت محاسباتی توصیف شده در قانون مور. این کاهش هزینه، تحقیقات را برای جمع آوری اطلاعات بی نظیر ژنتیک از بیماران مبتلا به سرطان انجام می دهد.

بیشتر مطالعات علمی در مورد ژنتیک سرطان در سراسر جهان داده های خود را به پایگاه داده عمومی متمرکز ارائه شده توسط کتابخانه ملی ملی موسسات بهداشت ملی (NIH) منتشر کردند. موسسه ملی سرطان NIH و موسسه تحقیقاتی ملی انسانی انسانی نیز داده های ژنتیکی از تومورهای بیش از 11,000 در انواع سرطان 33 را از طریق پروژه ای به نام Atlas Genome Cancer.

هر عملکرد بیولوژیکی - از استخراج انرژی از غذا تا بهبود زخم - نتیجه فعالیت در ترکیبات مختلف ژن است. سرطان ها ژن هایی را که مردم را به بزرگسالی رشد می دهند را از بین می برد و بدن را از سیستم ایمنی محافظت می کند. محققان این دو را تکمیل می کنند "نشانه های سرطان." این ناخالصی سازی به اصطلاح ژن باعث می شود تومور بدون کنترل و متاستاز در اندام های دور از محل تومور اولیه ایجاد شود.

محققان به طور فعال با استفاده از این داده های عمومی برای پیدا کردن مجموعه ای از تغییرات ژنی که مسئول هر نوع تومور هستند. اما این مشکل ساده نیست شناسایی یک ژن کنترل نشده در هر تومور است. صدها، و اگر نه هزاران ژن 20,000 در ژنوم انسان در سرطان غرق می شوند. گروهی از ژنهای کنترل نشده در تومور هر بیمار متفاوت است، با مجموعه های کوچکتر از ژن های مجدد استفاده می شود که هر نوع سرطان را نشان می دهد.

طب سوزنی مبتنی بر پیدا کردن گروه های کوچک تر از ژن های کنترل نشده است که مسئولیت عملکرد بیولوژیکی در تومور هر بیمار است. اما، ژن ها ممکن است دارای چندین عملکرد بیولوژیکی در زمینه های مختلف باشند. بنابراین، محققان باید مجموعه ای از ژن های "همپوشانی" را کشف کنند که دارای توابع مشترک در مجموعه ای از بیماران سرطانی هستند.

پیوند وضعیت ژن به عملکرد نیاز به ریاضیات پیچیده و قدرت محاسباتی بسیار زیاد دارد. این دانش برای پیش بینی نتایج حاصل از درمان هایی که عملکرد این ژن ها را مسدود می کند ضروری است. بنابراین، چگونه می توانیم ویژگی های همپوشانی را برای پیش بینی نتایج فردی برای بیماران کشف کنیم؟

Netflix چه چیزی می تواند به ما یاد دهد

خوشبختانه برای ما، این مشکل قبلا در علوم رایانه حل شده است. پاسخ این است که یک کلاس از تکنیک های به نام "تقسیم ماتریکس" - و شما احتمالا در حال حاضر با این تکنیک ها در زندگی روزمره خود ارتباط برقرار کنید.

در 2009، Netflix یک چالش را برگزار کرد برای شخصی سازی رتبه بندی فیلم برای هر کاربر Netflix. در Netflix، هر کاربر یک مجموعه متمایز از رتبه بندی فیلم های مختلف دارد. در حالی که دو کاربر ممکن است سلیقه مشابهی در فیلم داشته باشند، ممکن است در ژانرهای خاص متفاوت باشند. بنابراین، شما نمیتوانید بر روی مقایسه رتبه بندی از کاربران مشابه تکیه کنید.

در عوض، یک الگوریتم تقسیم بندی ماتریسی فیلم هایی با رتبه های مشابه در میان یک گروه کوچک از کاربران پیدا می کند. گروهی از کاربران برای هر فیلم متفاوت خواهد بود. کامپیوتر هر کاربر را با یک گروه از فیلم ها به اندازه های مختلف، با توجه به سلیقه شخصی خود، مرتبط می کند. روابط بین کاربران به عنوان «الگوها» نامیده می شود. این الگوها از داده ها یاد گرفته می شوند و ممکن است رتبه بندی های معمولی را که تنها توسط ژانر فیلم پیش بینی نشده است، پیدا کنند؛ برای مثال، کاربران ممکن است یک ترجیح برای یک مدیر یا بازیگر خاص را به اشتراک بگذارند.

Genevieve Stein-O'Brien, CC BY

همین روند می تواند در سرطان کار کند. در این مورد، اندازه گیری های تنظیم غربالگری ژن مشابه مقادیر فیلم، ژانرهای فیلم به عملکرد بیولوژیکی و کاربران به تومورهای بیمار می باشد. این کامپیوتر در بین تومورهای بیمار جستجو می کند تا الگوهایی را در تنظیم اختلالات ژنی پیدا کند که باعث ایجاد عملکرد بدخیم در هر تومور می شود.

از فیلم به تومورها

همخوانی بین رتبه بندی فیلم و ژنتیک سرطان در جزئیات نقشی دارد. به استثنای موارد زیر، کاربران Netflix در فیلم هایی که تماشا می کنند محدود نمی شوند. اما بدن ما ترجیح می دهد که تعداد ژن های مورد استفاده برای هر تابع را به حداقل برساند. همچنین بین ژن ها از بین می رود. برای محافظت از یک سلول، یک ژن ممکن است به راحتی جایگزین دیگری برای خدمت به یک عملکرد مشترک باشد. توالی ژن در سرطان حتی پیچیده تر است. تومورها نیز بسیار پیچیده و به سرعت در حال تکامل هستند، بسته به تعاملات تصادفی بین سلول های سرطانی و ارگان مجاور سالم.

برای این پیچیدگی ها، ما یک رویکرد تقسیم ماتریسی به نام "توسعه" ایجاد کرده ایم فعالیت ژن هماهنگ در مجموعه های الگو - یا CoGAPS برای کوتاه. الگوریتم ما برای مینیمالیسم زیست شناسی، با ترکیب چندین ژن به عنوان الگو برای هر تومور، به حساب می آید.

ژن های مختلف نیز می توانند جایگزین یکدیگر شوند، هر کدام یک عمل مشابه در یک زمینه متفاوت دارند. برای این حساب، CoGAPS به طور همزمان یک آمار برای به اصطلاح "الگوهای" عملکرد ژن را برآورد می کند. این به ما اجازه می دهد تا احتمال هر ژن که در هر عملکرد بیولوژیکی در تومور استفاده می شود محاسبه کنیم.

به عنوان مثال، بسیاری از بیماران درمان هدفمند به نام سوتوکسامب را برای طولانی شدن بقا در سرطانهای کولورکتال، پانکراس، ریه و دهان می گیرند. کار اخیر ما نشان داده است که این الگوها می توانند عملکرد ژنی را در سلول های سرطانی تشخیص دهند که به درمان گیرنده های هدف دار سیوتوسیامب پاسخ داده می شود.

آینده

متاسفانه، درمان های سرطانی که ژن ها را هدف قرار می دهند، نمی توانند بیمار را درمان کنند. آنها فقط می توانند پیشرفت چند سال را به تاخیر اندازند. اکثر بیماران پس از عود، با تومورهایی که دیگر به درمان پاسخ نمی دهند.

کار اخیر ما دریافتند که الگوهایی که عملکرد ژنی را در سلولهایی که به سیتوسیامب واکنش نشان می دهند، شامل ژن هایی هستند که باعث مقاومت می شوند. Emerging immunotherapies امیدوار کننده هستند و به نظر می رسد برای درمان برخی از سرطان. با این حال، اغلب بیماران مبتلا به این درمان نیز عود می کنند. داده های جدیدی که ژنتیک سرطان را بعد از درمان دنبال می کنند، برای تعیین اینکه چرا بیمار دیگر پاسخ نمی دهد، ضروری است.

علاوه بر این داده ها، زیست شناسی سرطان همچنین نیازمند نسل جدیدی از دانشمندان است که می توانند ریاضیات و آمار را برای تعیین تغییرات ژنتیکی که در طول زمان در مقاومت به مواد رخ می دهد، بگذارد. در زمینه های دیگر ریاضیات، برنامه های کامپیوتری قادر به پیش بینی نتایج درازمدت هستند. این مدل ها به طور معمول در پیش بینی آب و هوا و استراتژی های سرمایه گذاری استفاده می شود.

در این زمینه ها و تحقیق قبلی من، ما دریافتیم که به روز رسانی مدل ها از مجموعه داده های بزرگ - مانند داده های ماهواره ای در مورد آب و هوا - بهبود پیش بینی های بلند مدت. ما همه تاثیر این بروز رسانی ها را دیده ایم، با پیش بینی های آب و هوایی، نزدیکتر شدن به طوفان را بهبود می بخشیم.

همانطور که ابزارهایی از دانش رایانه ای استفاده می شود می تواند به توصیه های فیلم و سرطان سازگار باشد، نسل آینده دانشمندان محاسباتی ابزار پیش بینی را از مجموعه ای از زمینه های پزشکی دقت دریافت خواهند کرد. در نهایت، با استفاده از این ابزار محاسباتی، ما امیدواریم پیش از پاسخ تومور به درمان به طور معمول به عنوان پیش بینی آب و هوا و شاید قابل اعتماد تر.

درباره نویسنده

النا فرتیگ، استادیار آمار زیستی و بیوانفورماتیک انکولوژی، دانشگاه جانز هاپکینز

این مقاله در اصل در تاریخ منتشر شد گفتگو. دفعات بازدید: مقاله.

کتاب های مرتبط

at InnerSelf Market و آمازون