Blog

Apr 14, 2024

Ein Bluttest auf Krebs ist dank maschinellem Lernen vielversprechend

Ein Forscherteam der University of Wisconsin-Madison hat Genomik erfolgreich mit maschinellem Lernen kombiniert, um zugängliche Tests zu entwickeln, die eine frühere Erkennung von Krebs ermöglichen.

Ein Forscherteam der University of Wisconsin-Madison hat Genomik erfolgreich mit maschinellem Lernen kombiniert, um zugängliche Tests zu entwickeln, die eine frühere Erkennung von Krebs ermöglichen.

Bei vielen Krebsarten kann die Früherkennung zu besseren Ergebnissen für die Patienten führen. Während Wissenschaftler neue Bluttests entwickeln, die DNA analysieren, um eine frühere Erkennung zu ermöglichen, weisen diese neuen Technologien Einschränkungen auf, einschließlich Kosten und Empfindlichkeit.

Muhammed Murtaza, Professor für Chirurgie an der UW School of Medicine und der Public Health University of Wisconsin–Madison

In einer diese Woche in Science Translational Medicine veröffentlichten Studie unter der Leitung von Muhammed Murtaza, Professor für Chirurgie an der UW School of Medicine and Public Health, verwendeten Forscher ein maschinelles Lernmodell, um Blutplasma auf DNA-Fragmente von Krebszellen zu untersuchen. Mithilfe der Technik, bei der leicht verfügbares Labormaterial zum Einsatz kommt, konnten in den meisten untersuchten Proben Krebserkrankungen in einem frühen Stadium erkannt werden.

„Wir freuen uns sehr, dass die Früherkennung und Überwachung mehrerer Krebsarten mit einem so kostengünstigen Ansatz möglicherweise möglich ist“, sagt Murtaza.

Der Ansatz basiert auf der Analyse von Fragmenten zellfreier DNA. Solche Fragmente kommen häufig im Plasma vor, dem flüssigen Teil des Blutes. Die Fragmente des genetischen Materials stammen typischerweise aus Blutzellen, die im Rahmen natürlicher Prozesse im Körper absterben, können aber auch von Krebszellen ausgeschieden werden.

Das Forschungsteam stellte die Hypothese auf, dass sich DNA-Fragmente aus Krebszellen von Fragmenten gesunder Zellen darin unterscheiden könnten, wo die DNA-Stränge brechen und welche Nukleotide – die Bausteine ​​der DNA – die Bruchstellen umgeben.

Mithilfe einer Technik, die sie GALYFRE (von „Genome-wide AnaLYsis of FRagment Ends“) nannten, analysierte das Team zellfreie DNA aus 521 Proben und sequenzierte Daten von weiteren 2.147 Proben von gesunden Personen und Patienten mit 11 verschiedenen Krebsarten.

Aus diesen Analysen entwickelten sie ein Maß, das den Anteil der in einer Probe vorhandenen, von Krebs stammenden DNA-Moleküle widerspiegelt. Sie nannten diesen informationsgewichteten Anteil abweichender Fragmente.

Sie nutzten dieses Maß zusammen mit Informationen über die DNA-Sequenzen rund um Fragmentbruchstellen, um ein maschinelles Lernmodell zu entwickeln, das DNA-Fragmente aus gesunden Zellen mit denen aus verschiedenen Arten von Krebszellen vergleichen würde.

Das Modell unterschied in 91 % der Fälle genau Menschen mit Krebs in jedem Stadium von gesunden Personen. Darüber hinaus identifizierte das Modell Proben von Patienten mit Krebs im Stadium 1 in 87 % der Fälle genau, was darauf hindeutet, dass es vielversprechend für die Erkennung von Krebs im Frühstadium ist.

Die Methode der informationsgewichteten Fraktion aberranter Fragmente „erweist sich als geeignet, um Veränderungen der Tumorlast im Laufe der Zeit bei verwirrenden Hirntumoren wie dem Glioblastom zu erkennen, was auch eine Echtzeitbewertung der Wirksamkeit der laufenden Behandlung dieser aggressiven Krankheit ermöglichen könnte“, sagt Michael Berens. Professor an der Brain Tumor Unit des Translational Genomics Research Institute und Mitautor des Artikels.

Laut Murtaza sind die aktuellen Ergebnisse zwar vielversprechend, es seien jedoch weitere Studien erforderlich, um den Einsatz von GALYFRE in verschiedenen Altersgruppen und bei Patienten mit zusätzlichen Erkrankungen zu verfeinern. Das Team plant außerdem größere klinische Studien, um den Test für bestimmte Krebsarten wie Bauchspeicheldrüsenkrebs und Brustkrebs zu validieren.

„Eine Richtung, die wir einschlagen, ist die Weiterentwicklung von GALYFRE, um es für einige Patienten, bei denen das Risiko besteht, an bestimmten Krebsarten zu erkranken, noch genauer zu machen. Ein weiterer Aspekt, an dem wir arbeiten, ist die Frage, ob unser Ansatz zur Überwachung des Behandlungsansprechens bei Krebspatienten, die eine Chemotherapie erhalten, eingesetzt werden kann.“

„Meine Hoffnung“, fügt Murtaza hinzu, „ist, dass diese Arbeit mit weiterer Entwicklung zu einem Bluttest zur Krebserkennung und -überwachung führen wird, der in den nächsten zwei bis fünf Jahren zumindest für einige Erkrankungen klinisch verfügbar und letztendlich zugänglich sein wird.“ für Patienten mit begrenzten Gesundheitsressourcen in den USA und auf der ganzen Welt.“

Schlagworte: Krebs, maschinelles Lernen, Forschung, Fakultät für Medizin und öffentliche Gesundheit