تجزیه و تحلیل هوش مصنوعی جهش های سرطان ممکن است درمان را بهبود بخشد


تجزیه و تحلیل هوش مصنوعی جهش های سرطان ممکن است درمان را بهبود بخشد

مولتیومیک های تک سلولی آگاه از هاپلوتیپ برای مشخص کردن عملکرد SVs. آبا استفاده از Strand-seq، scNOVA کشف SV را انجام می دهد و سپس، با استفاده از مسیرهای NO مرحله ای، اثرات عملکردی SV ها را به صورت محلی (از طریق ارزیابی NO اختصاصی هاپلوتیپ) و در سطح جهانی (NO اختصاصی کلون) شناسایی می کند. نارنجی، Strand-seq نگاشت به رشته Watson (W) می خواند. سبز، نگاشت به رشته کریک (C) را می خواند. بآهنگ‌های NO مبتنی بر رشته‌ای در NA12878 موقعیت‌های نوکلئوزومی را نشان می‌دهند که به خوبی با MNase-seq حجیم مطابقت دارد، که برای یک مکان کروموزوم 12 با موقعیت نوکلئوزومی نسبتاً منظم به تصویر کشیده شده است. قرمز، NO آهنگ های نقشه برداری به هاپلوتیپ 1 (H1). آبی، H2; سیاه، ترکیب خواندن های مرحله ای و بدون فاز؛ خاکستری، MNase-seq. این y محور میانگین تعداد خوانده شده در هر جفت باز را در بن های 10 جفت باز نشان می دهد. جهمبستگی NO در مکان‌های بسیار حساس به DNase I برای NA12878. دالگوهای نوکلئوزومی متوسط ​​در مکان‌های اتصال CTCF در NA12878، با استفاده از Strand-seq و MNase-seq pseudobulk. هFC های NO حل شده با هاپلوتیپ در اجسام ژنی برای کروموزوم X و کروموزوم 7 (یک اتوزوم نماینده) در NA12878 رسم شدند. FCهای اندازه گیری بیان RNA حل شده با هاپلوتیپ در سمت راست نشان داده شده اند. fردیابی NO در فاز هاپلوتیپ شبه توده اگزون های ژن کروموزوم X نماینده SH3KBP1 بر اساس Strand-seq. نمودارهای جعبه‌ای که H1 و H2 را مقایسه می‌کنند از آزمون‌های مجموع رتبه‌ای دو طرفه Wilcoxon و به دنبال آن تصحیح تست چندگانه بنجامینی-هوکبرگ (FDR) استفاده می‌کنند (نقاط جعبه تعریف شده با حداقل = صدک 25 – 1.5 × محدوده بین چارکی (IQR)، حداکثر = صدک 75 + 1.5 × IQR. مرکز = میانه و کران جعبه = صدک 25 و 75; n = 47 سلول واحد). نمودار میله ای بیان RNA اختصاصی هاپلوتیپ را نشان می دهد SH3KBP1 (آزمون نسبت درستنمایی دو طرفه به دنبال تصحیح FDR؛ n = 4 تکرار بیولوژیکی. داده ها به صورت مقادیر میانگین ± sem ارائه می شوند. gهمبستگی معکوس NO در اجسام ژن و بیان ژن. NO بر اساس کتابخانه‌های Strand-seq شبه حجیم از RPE-1 است. اجسام ژن به همان طول کوچک شدند. ساعت، تایپ سلولی بر اساس NO در اجسام ژنی (AUC = 0.96). کدهای خط تلفن: آبی، RPE-1؛ بنفش، BM510; سرخابی، C7; LV، متغیر پنهان. منویژگی‌های عملیاتی گیرنده برای استنباط فعالیت ژن تغییر یافته با تجزیه و تحلیل NO در بدن‌های ژن، با استفاده از کتابخانه‌های Strand-seq کاذب از اختلاط سلول‌های سیلیکو. اعتبار: بیوتکنولوژی طبیعت (2022). DOI: 10.1038/s41587-022-01551-4

سرطان چهره های زیادی دارد، پس جای تعجب نیست که دامنه جهش های سرطان زا نیز بسیار زیاد است. مجموع چنین تغییرات ژنومی در یک فرد همان چیزی است که کارشناسان آن را “چشم انداز جهشی” می نامند. این مناظر بسته به نوع سرطان با یکدیگر متفاوت هستند. و حتی افرادی که از سرطان مشابه رنج می برند اغلب الگوهای جهش متفاوتی دارند.

محققان قبلاً مناظر جهشی انواع متعدد سرطان را فهرست‌بندی کرده‌اند. نشان داده شده است که واریانت‌های ساختاری سوماتیک (SVs) بیش از نیمی از تمام جهش‌های سرطان‌زا را تشکیل می‌دهند. اینها آن دسته از جهش ها در سلول ها هستند که در طول زندگی پدیدار می شوند – مانند زمانی که خطاهای کپی برداری در طول تقسیم سلولی به DNA وارد می شوند – و در نتیجه ساختار کروموزوم را تغییر می دهند.

آنها ارثی نیستند و فقط در سلول های آسیب دیده و در سلول های دختر آنها یافت می شوند. با افزایش سن، چنین تغییرات ژنومی بیشتر می شود و چشم انداز جهش یک فرد به طور فزاینده ای شبیه یک موزاییک منحصر به فرد می شود.

اگرچه SV های سوماتیک نقش مهمی در توسعه سرطان دارند، اطلاعات نسبتا کمی در مورد آنها وجود دارد. دکتر اشلی سندرز، سرپرست آزمایشگاه پایداری ژنوم و موزائیسم سوماتیک در مرکز ماکس دلبروک، توضیح می‌دهد: «فقدان روش‌هایی وجود دارد که اثرات آن‌ها را بر عملکرد سلول تجزیه و تحلیل کند. این به لطف یافته های تحقیقاتی جدید، که سندرز اخیراً در مجله منتشر کرد، در حال تغییر است بیوتکنولوژی طبیعت به همراه آزمایشگاه بیولوژی مولکولی اروپا (EMBL).

او گزارش می دهد: “ما یک روش تجزیه و تحلیل محاسباتی را برای شناسایی و شناسایی اثرات عملکردی SV های سوماتیک ایجاد کردیم.” این تیم را قادر ساخت تا پیامدهای مولکولی جهش‌های جسمی فردی در بیماران مختلف سرطان خون را درک کند و به آنها بینش جدیدی در مورد تغییرات خاص جهش داد. سندرز می‌گوید ممکن است بتوان از این یافته‌ها برای توسعه درمان‌هایی که سلول‌های جهش‌یافته را هدف قرار می‌دهند، استفاده کرد و افزود که “این یافته‌ها راه‌های جدید هیجان‌انگیزی را برای پزشکی شخصی‌سازی شده باز می‌کنند.”

حتی دقیق تر از آنالیزهای تک سلولی معمولی

محاسبات آنها بر اساس داده‌های Strand-seq است – یک روش توالی‌یابی تک سلولی خاص که سندرز نقش مهمی در توسعه آن داشت و اولین بار در سال 2012 به جامعه علمی معرفی شد. این تکنیک می‌تواند ژنوم سلول را با جزئیات بسیار بیشتری بررسی کند. فن آوری های متداول توالی یابی تک سلولی

به لطف یک پروتکل آزمایشی پیچیده، روش Strand-seq می تواند به طور مستقل دو رشته DNA والدین (یکی از پدر و دیگری از مادر) را تجزیه و تحلیل کند. با روش‌های متداول توالی‌یابی، تمایز چنین همولوگ‌هایی – کروموزوم‌هایی که از نظر شکل و ساختار مشابه هستند اما یکسان نیستند – تقریباً غیرممکن است.

سندرز توضیح می‌دهد: «با حل همولوگ‌های منفرد در یک سلول، SVs سوماتیک را می‌توان خیلی بهتر از روش‌های دیگر شناسایی کرد. رویکرد مورد استفاده برای انجام این کار توسط محقق و همکارانش در مقاله ای که در آن ظاهر شد، شرح داده شد بیوتکنولوژی طبیعت در سال 2020

تیم تحقیقاتی بخشی از تمرکز تحقیقاتی مشترک “رویکردهای تک سلولی برای پزشکی شخصی” مؤسسه سلامت برلین در Charité (BIH)، Charité-Universitätsmedizin برلین، و مرکز Max Delbrück است.

بر اساس این کار، آنها اکنون می توانند موقعیت نوکلئوزوم ها را در هر سلول نیز تعیین کنند. نوکلئوزوم ها واحدهایی از DNA هستند که در اطراف کمپلکس های پروتئینی به نام هیستون پیچیده شده اند و نقش مهمی در سازماندهی کروموزوم ها دارند. موقعیت نوکلئوزوم‌ها می‌تواند در طول بیان ژن تغییر کند و نوع بسته‌بندی نشان می‌دهد که آیا یک ژن فعال است یا نه. سندرز و همکارانش یک الگوریتم خودآموزی برای مقایسه فعالیت ژنی سلول های بیمار با و بدون جهش SV سوماتیک ایجاد کردند و به آنها اجازه می دهد تا تاثیر مولکولی انواع ساختاری را تعیین کنند.

اهداف جدید برای درمان سرطان

سندرز توضیح می‌دهد: «اکنون می‌توانیم از یک بیمار نمونه بگیریم، به دنبال جهش‌هایی باشیم که منجر به بیماری شده‌اند، و همچنین مسیرهای سیگنالی را که جهش‌های ایجادکننده بیماری مختل می‌کنند، بیاموزیم». به عنوان مثال، تیم موفق به شناسایی یک جهش نادر اما بسیار تهاجمی در یک بیمار سرطان خون شد. تجزیه و تحلیل نوکلئوزوم اطلاعاتی را در مورد مسیرهای سیگنال دهی درگیر در اختیار محققان قرار داد که آنها از آن برای مهار رشد سلول های حاوی جهش استفاده کردند.

سندرز می‌گوید: «این بدان معناست که یک آزمایش واحد چیزی در مورد مکانیسم‌های سلولی درگیر در تشکیل سرطان به ما می‌گوید. ما در نهایت می‌توانیم از این دانش برای توسعه درمان‌های شخصی‌سازی‌شده، با هدایت شرایط منحصر به فرد هر بیمار استفاده کنیم.»

اطلاعات بیشتر:
Hyobin Jeong و همکاران، تجزیه و تحلیل عملکردی انواع ساختاری در سلول های تک با استفاده از Strand-seq، بیوتکنولوژی طبیعت (2022). DOI: 10.1038/s41587-022-01551-4

استر فالکونر و همکاران، توالی‌یابی رشته‌های الگوی DNA تک سلولی، بازآرایی ژنومی را با وضوح بالا ترسیم می‌کند. روش های طبیعت(2012). DOI: 10.1038/nmeth.2206

اشلی دی سندرز و همکاران، تجزیه و تحلیل تک سلولی تغییرات ساختاری و بازآرایی های پیچیده با پردازش سه کاناله، بیوتکنولوژی طبیعت(2019). DOI: 10.1038/s41587-019-0366-x

ارائه شده توسط مرکز ماکس دلبروک برای پزشکی مولکولی

نقل قول: تجزیه و تحلیل هوش مصنوعی جهش های سرطان ممکن است درمان را بهبود بخشد (2023، 25 ژانویه) در 25 ژانویه 2023 از https://medicalxpress.com/news/2023-01-ai-analysis-cancer-mutations-therapy.html بازیابی شده است.

این برگه یا سند یا نوشته تحت پوشش قانون کپی رایت است. به غیر از هرگونه معامله منصفانه به منظور مطالعه یا تحقیق خصوصی، هیچ بخشی بدون اجازه کتبی قابل تکثیر نیست. محتوای مذکور فقط به هدف اطلاع رسانی ایجاد شده است.