Badanie ujawnia nowy model diagnostyczny raka pęcherza moczowego oparty na kluczowych genach mitochondrialnych

Biorąc pod uwagę miliony przypadków raka pęcherza moczowego (BC) na całym świecie, alarmujące jest zapotrzebowanie na narzędzia zapewniające terminową diagnozę tej choroby. Naukowcy wykorzystali niedawno geny związane z mitochondriami (MRG), o których wiadomo, że biorą udział w rozwoju chorób, do zbudowania nowego modelu diagnostycznego z wykorzystaniem uczenia maszynowego (ML).

Wyniki opublikowano w Raporty naukoweCo wskazuje, że potencjał tego modelu czeka na dalszą walidację.

Pobyt: Przewidywanie uczenia maszynowego nowego modelu diagnostycznego wykorzystującego geny związane z mitochondriami u pacjentów z rakiem pęcherza moczowego. Źródło obrazu: mi_viri/Shutterstock.com

Rak pęcherza

Rak pęcherza występuje trzy do czterech razy częściej u mężczyzn niż u kobiet, co czyni go szóstą najczęstszą przyczyną raka u mężczyzn. Choroba ta jest spowodowana głównie paleniem tytoniu i narażeniem na niektóre przemysłowe chemikalia i zwykle dotyka mężczyzn w średnim i starszym wieku.

Chociaż rak pęcherza moczowego występuje częściej w populacjach rozwiniętych, pomimo postępu medycyny, rokowanie w jego przypadku pozostaje stosunkowo złe. Doprowadziło to do opracowania lepszych narzędzi diagnostycznych, modeli diagnostycznych i lepszych podejść terapeutycznych.

Mitochondria, organelle subkomórkowe odpowiedzialne za produkcję energii, kontrolują metabolizm komórkowy i regulują kluczowe procesy komórkowe, takie jak apoptoza, sygnalizacja i poziom jonów wapnia.

Komórki nowotworowe, które wymagają dużo energii, w większości korzystają z glikolizy – mniej wydajnej ścieżki beztlenowej – w przeciwieństwie do normalnych komórek, które opierają się na fosforylacji oksydacyjnej, bardziej wydajnej drodze tlenowej, która może wytworzyć do 15 razy więcej energii.

Ta różnica w produkcji energii jest częścią „efektu Warburga”, w którym nieprawidłowa funkcja mitochondriów prowadzi do zmiany metabolizmu w komórkach nowotworowych. Na przykład dysfunkcja mitochondriów może uniemożliwiać komórkom nowotworowym apoptozę, umożliwiając im przeżycie i rozprzestrzenianie się.

Ponadto nieprawidłowości mitochondrialne mogą powodować stres oksydacyjny składników komórkowych, takich jak DNA i białka, co zwiększa ryzyko raka, nadaje oporność na leczenie raka i sprzyja wzrostowi nowotworu.

„Biorąc pod uwagę ważną rolę, jaką odgrywają MRG w rozwoju BC, ważne jest badanie przesiewowe nowych biomarkerów opartych na MRG u pacjentów z BC„.

Uczenie maszynowe stanowi część arsenału sztucznej inteligencji (AI), która identyfikuje wzorce i wiedzę na podstawie surowych danych bez podawania im szczegółowych instrukcji.

Pozwala to systemowi przewidywać, klasyfikować i rozpoznawać trendy, które mogą obejmować wzorce transkrypcji związane z nowotworem. W bieżącym badaniu naukowcy starali się wykorzystać siłę uczenia maszynowego w transkryptomice, aby zbudować nowy model diagnostyczny BC w oparciu o MRG.

Co wykazało badanie?

Naukowcy przeanalizowali 165 próbek raka pęcherza moczowego (BC) i 67 próbek kontrolnych, aby zbadać zróżnicowaną ekspresję genów związanych z mitochondriami (MRG). Zidentyfikowali 752 MRG o zróżnicowanej ekspresji, z których 440 wykazywało zwiększoną ekspresję, a reszta – zwiększoną.

Geny te są znacząco zaangażowane w szlaki komórkowe związane z embriogenezą, losami komórek, regulacją transkrypcji, chorobami neurodegeneracyjnymi i zaburzeniami tkanki mięśniowej.

Analiza zidentyfikowała około 50 cech związanych z urodzeniem i ograniczyła się do 13 interesujących genów. Wśród nich głównymi celami okazały się białko 3 oddziałujące z TRAF3 (TRAF3IP3), supresor wzrostu wywołany stresem oksydacyjnym (OXSM), N-mirystoilotransferaza 1 (NMT1) i glutaredoksyna 2 (GLRX2). W szczególności GLRX2 jest ważny dla utrzymania homeostazy redoks w mitochondriach, pomagając w kontynuowaniu normalnych procesów komórkowych bez uszkodzeń oksydacyjnych.

Wzory ekspresji GLRX2, NMT1, OXSM i TRAF3IP3 wykazały oczywiste różnice między próbkami BC i kontrolami, osiągając 90% skuteczność różnicowania. Poziom GLRX2, NMT1 i OXSM był znacząco podwyższony w BC, podczas gdy TRAF3IP3 był znacząco obniżony.

Wyniki te były spójne w dwóch dodatkowych zestawach danych, co wykazało, że model ten odróżnia BC od próbek kontrolnych skuteczniej niż indywidualne biomarkery genetyczne.

Ponadto w badaniu zbadano, gdzie te geny ulegają największej ekspresji i ustalono, że różne szlaki odpornościowe i komórki w mikrośrodowisku guza różnie reagowały na zmiany w regulacji genów. Na przykład wyższe poziomy aktywowanych naturalnych zabójców (NK) i komórek plazmatycznych były powiązane ze zwiększoną ekspresją GLRX2.

Ekspresja NMT1, która jest znacząco zwiększona w kilku liniach komórkowych BC, koduje białko ważne dla modyfikacji białek i sygnalizacji, które może nasilać interakcje komórek nowotworowych z macierzą zewnątrzkomórkową, co jest kluczowym procesem w przerzutach raka. Co ciekawe, supresja NMT1 ograniczała wzrost komórek BC, co sugeruje jego rolę w progresji BC.

Wnioski

Pojawienie się transkryptomiki i uczenia maszynowego w modelach diagnostyki nowotworów nadało impuls do poszukiwań dokładnej i wczesnej diagnostyki BC bez konieczności wykonywania inwazyjnych i bolesnych biopsji. To podejście do uczenia maszynowego może pomóc w tworzeniu spersonalizowanych planów diagnostyki i leczenia w oparciu o wybór biomarkerów.

Może także przyspieszyć decyzje i zwiększyć efektywność. Wreszcie może pomóc w zrozumieniu procesu rozwoju nowotworu dzięki wglądowi w podstawową biologię nowotworu.

W bieżącym badaniu zidentyfikowano cztery geny (GLRX2, NMT1, OXSM i TRAF3IP3) umożliwiające diagnozę BC. Są one zintegrowane z modelem diagnostycznym. Stwierdzono również, że odgrywają one ważną rolę w rozwoju BC. Konieczne są dalsze badania, aby potwierdzić te ustalenia na bardziej zróżnicowanej próbie.

„Nasze odkrycia mogą zwiększyć dokładność i wiarygodność diagnozy BC, przyczyniając się do bardziej spersonalizowanych i skutecznych interwencji medycznych dla pacjentów w przyszłości.„.