یک مدل کامپیوتری که جهش های عامل سرطان را شناسایی می کند

یک مدل کامپیوتری که جهش های عامل سرطان را شناسایی می کند

به گزارش تعمیرکار پژوهشگران دانشگاه ˮام آی تیˮ، یک مدل کامپیوتری ابداع نموده اند که می تواند جهش های عامل سرطان را شناسایی کند.


به گزارش تعمیرکار به نقل از ایسنا و به نقل از ام آی تی نیوز، سلول های سرطانی می توانند هزاران جهش در DNA خود داشته باشند. با این حال، تنها تعداد انگشت شماری از آنها به پیشروی سرطان منجر می شوند و بقیه آنها خنثی هستند.
تشخیص این جهش های مضر از جهش های خنثی می تواند به پژوهشگران کمک نماید تا اهداف دارویی بهتری را شناسایی کنند. برای تقویت این تلاش ها، گروهی از پژوهشگران به سرپرستی دانشگاه "ام آی تی"(MIT)، یک مدل کامپیوتری جدید ابداع نموده اند که می تواند کل ژنوم سلول های سرطانی را به سرعت اسکن کند و به شناسایی جهش هایی بپردازد که بیشتر از حد انتظار رخ می دهند و به رشد تومور منجر می شوند. این نوع پیشبینی، چالش برانگیز است چونکه بعضی از نواحی ژنومی دارای فرکانس بسیار بالایی از جهش های خنثی هستند که سیگنال جهش های مضر را از بین می برد.
"مکس ول شرمن"(Maxwell Sherman)، از پژوهشگران این پروژه اظهار داشت: ما یک روش احتمالی مبتنی بر یادگیری عمیق ابداع کرده ایم که به ما امکان می دهد تا یک مدل دقیق از تعداد جهش های خنثی به دست آوریم که احیانا در هر بخش از ژنوم وجود دارد. سپس می توانیم در سرتاسر ژنوم به دنبال مناطقی باشیم که در آنها تجمع غیرمنتظره ای از جهش ها وجود دارد و نشان داده است که آنها جهش های محرک هستند.
پژوهشگران در این پروژه، جهش های بیشتری را در ژنوم پیدا کردند که به نظر می آید در رشد تومور بین پنج تا ۱۰ درصد از بیماران مبتلا به سرطان نقش داشته باشند. به قول پژوهشگران، یافته های این پژوهش می توانند به پزشکان در شناسایی داروهایی کمک کنند که شانس بیشتری برای درمان موفقیت آمیز بیماران دارند. حداقل ۳۰ درصد از بیماران مبتلا به سرطان هم اکنون هیچ جهش محرک قابل تشخیصی ندارند که بتوان از آن برای هدایت درمان بهره برد.

یک روش جدید
از زمانی که ژنوم انسان توالی یابی شد، پژوهشگران درحال جستجو در ژنوم هستند تا جهش هایی را بیابند که با رشد غیرقابل کنترل سلول ها یا فرار از سیستم ایمنی، به بروز سرطان کمک می کنند. این کار، پژوهشگران را با موفقیت به اهدافی مانند "گیرنده فاکتور رشد اپیدرمی"(EGFR) رسانده است که معمولاً در تومورهای ریه جهش می یابد و همچنین، ژن معروف به "BRAF" که یک محرک رایج ملانوما است. هر دوی این جهش ها را حالا میتوان با داروهای خاصی هدف قرار داد.
باآنکه این اهداف سودمند بوده اند اما ژن های کدکننده پروتئین، تنها حدود دو درصد از ژنوم را می سازند. ۹۸ درصد دیگر هم حاوی جهش هایی هستند که می توانند در سلول های سرطانی رخ دهند اما تشخیص این که آیا هر یک از این جهش ها به توسعه سرطان کمک می کنند یا خیر، بسیار دشوارتر بوده است.
"بانی برگر"(Bonnie Berger)، از پژوهشگران این پروژه اظهار داشت: کمبود روش های محاسباتی احساس می شود که به ما امکان می دهند تا این جهش های محرک را بیرون از مناطق کدکننده پروتئین جستجو نماییم. این همان کاری است که ما قصد داشتیم در این پژوهش انجام دهیم. هدف ما این بود که یک روش محاسباتی طراحی نماییم تا به ما امکان دهد نه تنها دو درصد ژنومی که پروتئین ها را کدگذاری می کنند، بلکه ۱۰۰ درصد آنها را بررسی نماییم.
پژوهشگران برای انجام دادن این کار، نوعی مدل محاسباتی معروف به "شبکه عصبی عمیق" را آموزش دادند تا ژنوم های سرطان را برای جهش هایی که بیشتر از حد انتظار رخ می دهند، جستجو کنند. آنها در اولین گام، مدل را با داده های ژنومی ۳۷ نوع مختلف سرطان آموزش دادند تا به آن امکان دهند که میزان جهش پس زمینه ای را برای هر یک از انواع سرطان تعیین کند.
شرمن اظهار داشت: یک نکته خوب در مورد مدل ما این است که آنرا یک مرتبه برای یک نوع سرطان خاص آموزش می دهیم و مدل، میزان جهش در همه جای ژنوم را به صورت هم زمان برای آن نوع خاص سرطان می آموزد. سپس میتوان جهش هایی را که در یک گروه بیمار مشاهده می شوند، در مقابل تعداد جهش هایی که باید انتظار مشاهده آنها را داشت، قرار داد.
داده های مورد استفاده برای آموزش مدلها، از پروژه معروف به "PCAWG" به دست آمده اند. تحلیل و بررسی مدل در مورد این داده ها، نقشه ای از میزان جهش های مورد انتظار در ژنوم را به پژوهشگران عرضه داد؛ به صورتی که پژوهشگران می توانستند میزان جهش مورد انتظار در هر مجموعه را با تعداد جهش مشاهده شده در هر نقطه از ژنوم مقایسه کنند.

تغییر چشم انداز
پژوهشگران با استفاده از این مدل توانستند به چشم انداز جدیدی در مورد جهش هایی برسند که به بروز سرطان منجر می شوند. هم اکنون، زمانی که تومورهای بیماران مبتلا به سرطان از نظر جهش های سرطان زا بررسی می شوند، یک جهش شناخته شده در حدود دو سوم مواقع ظاهر می شود. نتایج جدید بررسی پژوهشگران ام آی تی، جهش های محرک احتمالی را برای پنج تا ۱۰ درصد دیگر از مجموعه بیماران عرضه می کنند.
یکی از انواع جهش های غیر کدگذار که پژوهشگران روی آن تمرکز کردند، جهش های معروف به "cryptic splice mutations" هستند. بیشتر ژن ها متشکل از توالی هایی از "اگزون ها"(exons) هستند که دستورالعمل های ساخت پروتئین را کدگذاری می کنند و همچنین، "اینترون ها"(introns) که معمولاً قبل از تبدیل شدن به پروتئین، از آران ای پیام رسان جدا می شوند.
پژوهشگران با استفاده از مدل خود دریافتند که به نظر می آید خیلی از جهش های cryptic splice، ژن های سرکوبگر تومور را مختل می کنند. هنگامی که این جهش ها وجود داشته باشند، سرکوبگرهای تومور به اشتباه به هم متصل می شوند و کار نمی کنند؛ در نتیجه سلول، یکی از دفاع های خویش را در مقابل سرطان از دست می دهد. تعداد مکان هایی که پژوهشگران در این بررسی پیدا کردند، حدود پنج درصد از جهش های محرک موجود در ژن های سرکوبگر تومور را می سازند.
به قول پژوهشگران، هدف قرار دادن این جهش ها می تواند راه جدیدی برای درمان بالقوه بیماران عرضه نماید. یکی از روش های ممکن که هنوز درحال توسعه است، از رشته های کوتاه آران ای به نام "الیگونوکلئوتیدهای ضد حس"(ASOs) استفاده می نماید تا یک قطعه جهش یافته از DNA را با توالی صحیح ترمیم کند.
اگر بتوان جهش را به شکلی ناپدید کرد، مشکل حل می شود. ژن های سرکوبگر تومور می توانند به کار خود ادامه دهند و شاید با سرطان مبارزه کنند. فناوری ASO درحال توسعه است و این حوزه می تواند یک برنامه خیلی خوب برای آن باشد.
بخش دیگری که پژوهشگران تراکم بالایی از جهش های محرک غیرکدکننده را در آن پیدا کردند، در مناطق تبدیل نشده بعضی از ژن های سرکوب کننده تومور وجود دارد. پیش تر مشخص شده بود که یک ژن سرکوبگر تومور معروف به "TP۵۳" که در خیلی از انواع سرطان معیوب است، حذف های زیادی را در این توالی ها انجام می دهد. پژوهشگران دانشگاه ام آی تی، همین الگو را در یک سرکوب کننده تومور به نام "ELF3" پیدا کردند.
همچنین، پژوهشگران از مدل خود جهت بررسی این مورد استفاده کردند که آیا جهش های رایجی که پیش تر شناخته شده بودند هم امکان دارد به بروز انواع مختلف سرطان منجر شوند یا خیر. بعنوان نمونه، پژوهشگران دریافتند BRAF که ارتباط آن با ملانوما پیش تر شناخته شده بود، به پیشروی درصد کمتری از انواع دیگر سرطان همچون پانکراس، کبد و معده هم کمک می نماید.
شرمن اظهار داشت: نتایج این پژوهش نشان می دهند که در واقع تداخل زیادی بین جهش های معمولی و جهش های نادر وجود دارد. این امر، فرصتی را برای هدفمندی مجدد درمان فراهم می آورد. این نتایج می توانند به هدایت آزمایش های بالینی کمک کنند که ما باید راه اندازی نماییم تا این داروها را از تایید شدن در یک سرطان، تا تایید شدن در خیلی از سرطان ها و کمک کردن به بیماران بیشتر گسترش دهیم.
این پژوهش، در مجله "Nature Biotechnology" به چاپ رسید.



1401/03/31
19:07:13
5.0 / 5
212
این مطلب را می پسندید؟
(1)
(0)

تازه ترین مطالب مرتبط
نظرات بینندگان در مورد این مطلب
لطفا شما هم نظر دهید
= ۱ بعلاوه ۴
SetFix تعمیرکار