W ostatnich latach, badania nad profilowaniem białek i genów na dużą skalę wprowadziły prawdziwą rewolucję w dziedzinie onkologii. Uczeni odkryli tysiące mutacji genetycznych i białek związanych z nowotworami. Problem polega jednak na tym, że wiele z tych czynników pozostało niezrozumianych — nie wiadomo, czy odgrywają one aktywną rolę w rozwoju choroby, czy są jedynie biernymi obserwatorami. Nowe podejście badawcze, nazwane FunMap, może całkowicie zmienić sytuację i przyczynić się do lepszego zrozumienia biologii raka oraz opracowania skuteczniejszych terapii. Badanie to zostało opublikowane w czasopiśmie „Nature Cancer” przez naukowców z Baylor College of Medicine.
Według dr. Binga Zhanga, profesora genetyki molekularnej i członka Lester and Sue Smith Breast Center, kluczowe znaczenie ma zdobycie informacji funkcjonalnych na temat genów i białek związanych z nowotworami. „Nasze podejście pozwala na mapowanie funkcjonalnych powiązań tych elementów za pomocą uczenia maszynowego. To jak spojrzenie na czyjeś połączenia na LinkedIn w celu odgadnięcia, czym się zajmuje” – powiedział Zhang.
Zespół naukowców opracował FunMap jako sieć funkcjonalną obejmującą 10 525 genów. Metoda ta, bazująca na nadzorowanym uczeniu maszynowym, łączy dane związane z białkami i sekwencjami RNA z 11 typów nowotworów, które zostały opracowane przez grupę badawczą Clinical Proteomic Tumor Analysis Consortium (CPTAC). Jak się okazało, FunMap wykazało aż 196 800 powiązań między białkami, co przekłada się na kompleksowy przegląd funkcji genów i białek oraz ich korelację z mechanizmami nowotworowymi.
Jednym z najważniejszych osiągnięć FunMap jest przewyższanie klasycznych metod interakcji białek w ocenie funkcjonalnego znaczenia mutacji genowych. Metoda ta nie tylko ujawniła szereg istotnych modułów funkcjonalnych związanych z nowotworami, ale także pomogła zidentyfikować mniej zbadanych „graczy” przyczyniających się do postępu choroby.
„Ponad 200 genów jest wyraźnie nadmiernie lub niedostatecznie wyrażanych w nowotworach, ale wciąż niewiele wiemy o ich konkretnych rolach. Dzięki FunMap mogliśmy przeanalizować ich ‘sąsiedztwo’ w sieci i przewidzieć możliwą funkcję” – wyjaśnia dr Bing Zhang.
Jeden z przełomowych przykładów dotyczy mało poznanego genu MAB21L4, który wykazuje znacznie obniżoną ekspresję w trzech typach guzów nowotworowych. FunMap wykazało, że ten gen jest otoczony białkami związanymi z różnicowaniem komórek nabłonkowych — procesem, którego zahamowanie odgrywa istotną rolę w progresji nowotworowej. Dodatkowe dane kliniczne pokazały, że utrata MAB21L4 blokuje różnicowanie, co prowadzi do rozwoju raka płaskonabłonkowego. Wskazuje to na rolę tego genu jako potencjalnego supresora nowotworowego.
Dodatkowo, techniki głębokiego uczenia umożliwiły identyfikację wielu nowych czynników rakotwórczych o niskiej częstotliwości mutacji. Przykładowo, badania FunMap pozwoliły zidentyfikować nową rolę genu LGI3 jako supresora nowotworowego, co zostało potwierdzone eksperymentalnymi badaniami z wykorzystaniem techniki knockout genów.
Eksperci podkreślają, że FunMap daje ogromne możliwości w zakresie badań nad genetyką funkcjonalną nowotworów. Poprzez stworzenie kompleksowej sieci funkcjonalnej, metoda ta umożliwia głębsze zrozumienie skomplikowanego systemu raka, co może przyczynić się do opracowania skuteczniejszych terapii w przyszłości.
„Nasze odkrycia mogą pomóc w priorytetyzacji celów dla translacji klinicznej, ostatecznie przyczyniając się do skuteczniejszego leczenia raka” – podsumował dr Zhang.
Metoda FunMap jest dostępna dla badaczy na całym świecie w formie otwartego oprogramowania, które można pobrać z Python Package Index pod adresem https://pypi.org/project/funmap.
Autorem badań są również Zhiao Shi, Jonathan T. Lei i John M. Elizarraras, wszyscy związani z Baylor College of Medicine. Projekt był wspierany przez Clinical Proteomic Tumor Analysis Consortium (CPTAC) oraz liczne granty naukowe z National Institutes of Health.
