От амеб до зебр эволюционируют все живые существа. Они меняются со временем, поскольку давление со стороны окружающей среды приводит к тому, что люди с определенными чертами становятся более распространенными в популяции, а люди с другими чертами становятся менее распространенными.
Рак ничем не отличается. В растущей опухоли раковые клетки с лучшей способностью бороться за ресурсы и противостоять стрессовым факторам окружающей среды будут преобладать по частоте. Это «выживание сильнейшего» в микроскопическом масштабе.
Но приспособленность – насколько хорошо тот или иной человек приспособлен к своему окружению – не высечена на камне; он может измениться при изменении окружающей среды. В раковых клетках , которые могли бы сделать лучше в среде , насыщенной химиотерапевтические препараты , вероятно, будет отличаться от тех , которые будут процветать в среде без этих препаратов. Таким образом, прогнозирование того, как опухоли будут развиваться с течением времени, особенно в ответ на лечение, является серьезной проблемой для ученых.
Новое исследование, проведенное учеными Memorial Sloan Kettering в сотрудничестве с исследователями из Университета Британской Колумбии / Британской Колумбии по раку в Канаде, предполагает, что однажды, возможно, удастся сделать такие прогнозы. Исследование, опубликованное 23 июня 2021 года в журнале Nature , провели вычислительный биолог MSK Сохраб Шах и исследователь рака груди BC Сэмюэль Апарисио. Ученые показали, что подход машинного обучения , основанный на принципах популяционной генетики, которые описывают, как популяции меняются с течением времени, может точно предсказать, как будут развиваться опухоли рака груди у человека.
«Популяционные генетические модели эволюции хорошо соответствуют раку, но по ряду практических причин было сложно применить их к эволюции настоящего рака человека», – говорит доктор Шах, руководитель отдела вычислительной онкологии в MSK. «В этом исследовании мы показываем, что некоторые из этих барьеров можно преодолеть».
В конечном итоге этот подход может предоставить средства для прогнозирования того, перестанет ли опухоль пациента реагировать на конкретное лечение, и определить клетки, которые могут быть ответственны за рецидив. Это может означать, что индивидуализированные методы лечения будут проводиться в оптимальное время для получения лучших результатов для больных раком.
Трифект инноваций
Чтобы сделать эти выводы возможными, объединились три отдельных нововведения. Во-первых, использовались реалистичные модели рака, называемые ксенотрансплантатами пациентов, которые представляют собой раковые опухоли человека, которые были удалены у пациентов и трансплантированы мышам. Ученые неоднократно анализировали эти модели опухолей в течение длительного периода времени до трех лет, исследуя эффекты химиотерапии на основе платины и отмены лечения.
«Исторически эта область была сосредоточена на эволюционной истории рака на основе одного снимка», – говорит доктор Шах. «Такой подход изначально подвержен ошибкам. Делая много снимков с течением времени, мы можем получить гораздо более четкую картину».
Вторым ключевым нововведением было применение технологии секвенирования одной клетки для одновременного документирования генетического состава тысяч отдельных раковых клеток в опухоли. Разработанная ранее платформа позволила команде выполнять эти операции эффективным и автоматизированным способом.
Последним компонентом был инструмент машинного обучения под названием fitClone, разработанный в сотрудничестве с профессором статистики UBC Александром Бушар-Коте, который применяет математику популяционной генетики к раковым клеткам в опухоли. Эти уравнения описывают, как популяция будет развиваться при определенных начальных частотах людей с разной приспособленностью в этой популяции.