Tümörler Nasıl Evrilir?

Onkolojideki en büyük zorluk, tümörlerin zaman içinde değişmesi, iyi huyludan habisliğe ilerlemesi, metastatik hale gelmesi ve belirli tedavilere direnç geliştirmesidir. Bu süreç, kanser hücrelerini ve bunların mikro ortamlarını içerir ve tümör içi heterojenliği ile sonuçlanır. Temel soru, bir kanserin bir sonraki evrimsel basamağını tahmin etmenin mümkün olup olmadığıdır.

Hastalar arasında tekrarlayan genomik değişimler, kanser progresyonunun öngörülmesi için değerli olan tekrarlanan evrimsel süreçleri yansıtmaktadır. Çok bölgeli dizileme, bir tümördeki bazı genomik değişikliklerin zamanla ortaya çıkmasına izin verir, ancak hastalar arasında tekrarlanan bu değişikliklerin net bir şekilde tanımlanması önemli bir sorun olmaya devam etmektedir.

Kullanışlı Bir Yöntem

Yeni bir araştırmada aktarımla öğrenmeye dayanan bir makine öğrenmesi kullanılarak, kanser evrimi ve verideki gürültünün stokastik etkilerin aşılmasına ve kanser kohortlarındaki gizli evrimsel kalıpların tanımlanmasına izin veren bir yöntem geliştirildi. Akciğer, meme, renal ve kolorektal kanserden çok bölgeli sekans veri setlerine uygulandığında (178 hastanın 768 örneği), kullanılan bu yöntem, tek örnekli kohortlardaki tekrarlanan hasta alt gruplarında tekrarlanan evrimsel yörüngeleri saptadı (n = 2,935). Kullanılan yöntem, tümörlerinin nasıl evrimleştiğine dayanarak hastaları sınıflandırmak için bir araç sağladı.

Araştırma ekibi kullandığı bu yönteme REVOLVER adını verdi. Kanserde tekrarlanan evrimin tespiti, hastalık yönetimine evrimsel yaklaşımların uygulanması için kritik öneme sahiptir. Hastaların tümörlerinin tekrarlayan evrimsel paternlere dayanarak tabakalaşması, bilim insanlarına ve doktorlara habis progresyonun gelecekteki adımlarını tahmin etmede yardımcı olabilir, böylece potansiyel olarak optimal ve kişiselleştirilmiş klinik kararlar hakkında yol gösterici olabilir.

Araştırma ekibine göre REVOLVER, hem ikili hem de CCF (kanser hücresi fraksiyonu) değerleriyle birlikte kullanılabilir ve hasta başına çoklu skorlu filogenetik ağaçlar sağlayan herhangi bir yöntemle birlikte kullanılabilir. Bu yöntem geniş bir girdi verisine uyarlanabilir ve bu da daha büyük veri setleriyle kolayca kullanılabilir olmasını sağlayabilir.