Персонализация лечения рака с помощью улучшенных моделей опухолей
Схема, показывающая несколько платформ, доступных для моделей рака, полученных от пациентов. Источник: Брайан Велм.
Очень даже интересный анализ возможного, скорее всего, развития онкологии.
Рак является серьезной проблемой во всем мире, и его влияние, согласно прогнозам, будет усиливаться из-за старения и роста населения. Исследователи признают, что новые подходы к диагностике и лечению смертельного рака, включая поиск новых лекарств для лечения рака, будут иметь важное значение для сдерживания растущего воздействия болезни.
Несмотря на то, что десятилетия инвестиций в исследования привели к существенному улучшению выживаемости при раке, ключевой задачей остается поиск новых лекарств, которые улучшают результаты для онкологических больных , особенно для рака, когда опухоли распространились по всему телу.
В APL Bioengineering , изданном AIP Publishing, исследователи предполагают, что основным препятствием на пути к идентификации новых лекарств является нехватка моделей - организмов, имитирующих человеческий рак в лабораторных условиях - для исследований рака, которые точно представляют опухоли пациента. Они дают представление о стратегиях разработки моделей для информирования о лечении рака с использованием моделей от отдельных пациентов, а также о том, что необходимо в этой области с точки зрения исследований в системах животных и в системах культивирования.
«Помимо создания более совершенных моделей для исследования рака, мы пытаемся развить модели, полученные от пациентов, до такой степени, чтобы мы могли проводить быстрые и надежные испытания лекарств на образцах пациентов, чтобы помочь персонализировать лечение рака», - сказала автор исследования Алана Велм. «Это концепция функциональной прецизионной онкологии».
В функциональной прецизионной онкологии образцы опухолей от отдельных пациентов проверяются на чувствительность к различным лекарствам в контексте ксенотрансплантата или системы культивирования, полученного от пациента, чтобы направлять терапию пациента в течение их заболевания.
Исследователи предполагают, что еще более действенный подход к ускорению темпов исследований рака заключался бы в объединении разработки моделей на основе пациентов с множеством клинических испытаний, проводимых каждый день.
Если бы клинические данные и модели были сопоставлены и переданы вместе с информацией о реакции на лекарства, машинное обучение могло бы облегчить анализ этих больших данных для выявления сложных паттернов реакции на лекарства или устойчивости у разных людей, которые затем можно было бы дополнительно протестировать в моделях, полученных от пациентов.
Исследователи предполагают, что опухоли пациентов могут быть подвергнуты биоинформатическому профилю, чтобы определить сложный набор функций, которые можно использовать для прогнозирования ответа на различные методы лечения, и на основе данных о функциональном ответе на лекарства, собранных в предыдущих исследованиях. Исследователи полагают, что это упростит выбор более эффективных лекарств на ранних этапах лечения и предотвратит прием токсичных лекарств, не приносящих пользы.
Эти типы данных могут быть даже интегрированы с вариантами последовательностей ДНК зародышевой линии, которые предсказывают аномальный метаболизм и токсичность лекарств, для еще более персонализированного подхода к снижению смертности от рака при одновременном максимально возможном снижении токсичности.