روشی نو برای بررسی چگونگی تغییر تومور ها از طریق ایمونوتراپی - آوای وحش

به گزارش خبرنگار حوزه بهداشت و درمان گروه علمی پزشکی خبرنگاران، به نقل از مدیکال اکسپرس، مهندسان دانشگاه جان هاپکینز اولین کسانی هستند که از یک کاوشگر نوری غیرتهاجمی برای درک تغییرات پیچیده تومور ها پس از ایمونوتراپی استفاده کردند، درمانی که از سیستم ایمنی بدن برای مبارزه با سرطان استفاده می کند. روش آن ها ترکیبی از نگاشت دقیق ترکیب بیوشیمیایی تومور ها با یادگیری ماشینی است.

ایشان بارمن، دانشیار مهندسی مکانیک جان هاپکینز و نویسنده این مطالعه، که با همکاری همکارانش انجام شد، گفت: ایمونوتراپی واقعاً مانند جادو عمل می کند و دیدگاه ما را در مورد نحوه مدیریت سرطان اساساً تغییر داده است.با این حال، تنها حدود 25 درصد از بیماران از آن سود می برند، بنابراین نیاز فوری به شناسایی نشانگر های زیستی پیش بینی کننده برای مشخص افرادی که باید تحت درمان قرار بگیرند، وجود دارد.

این تیم با استفاده از تکنیکی به نام طیف سنجی رامان که از نور برای مشخص ترکیب مولکولی مواد استفاده می کند، تومور های سرطان روده بزرگ را در موش هایی که با دو نوع مهارکننده ایست بازرسی ایمنی در ایمونوتراپی تحت درمان قرار گرفته اند؛ همچنین گروه کنترل موش های درمان نشده، مورد بررسی قرار دادند.

طیف سنجی رامان اخیراً برای کاربرد های زیست پزشکی بهینه شده است. سانتوش پائدی، یکی از نویسندگان اصلی که به عنوان دکترای مهندسی مکانیک روی این تحقیق کار کرده است، می گوید: این اولین مطالعه ای است که توانایی این روش نوری را در شناسایی واکنش اولیه یا مقاومت در برابر ایمونوتراپی نشان می دهد.

پائیدی که اکنون فوق دکترای دانشگاه کالیفرنیا، برکلی است، گفت: یکی از مزایای طیف سنجی رامان این است که ویژگی مولکولی فوق العاده ای را ارائه می دهد و شما یک امضای مولکولی بسیار دقیق دریافت می کنید. این روش همچنین برای بررسی تغییرات ترکیبی محیط ریز تومور و نه تنها سلول های سرطانی مناسب است.

این تیم از داده های رامان - تقریباً 7500 نقطه داده طیفی از 25 تومور - برای آموزش الگوریتمی برای مشخص طیف وسیعی از ویژگی های ناشی از ایمونوتراپی استفاده کرد.

این تیم از داده های موش های مختلف برای ساخت طبقه بندی یادگیری ماشین و آزمایش عملکرد آن استفاده کردند. هدف این بود که تغییرات بیولوژیکی را که الگوریتم هنگام ارائه داده های تازه با آن روبرو می شود، تقلید کند.

بارمن گفت: شما باید بدون شک ثابت کنید که تفاوت هایی که مشاهده می کنید ناشی از مهارکننده های بازرسی ایمنی هستند و نه تفاوت های بین دو فرد.

این تیم گزارش داد که نتایج امیدوار کننده بود. بارمن می گوید: توانستیم ثابت کنیم که سطح کلاژن، سطح چربی و سطح اسید نوکلئیک و همچنین توزیع فضایی آن ها در تومور به طور قابل توجهی تغییر می کند.

تفاوت ها بسیار ظریف، اما از نظر آماری معنی دار بودند و با تجزیه پروتئومیکس اجرا شده، روی نمونه ها مطابقت داشت و به قدرت این تکنیک برای ارائه علائم اولیه نحوه واکنش تومور به درمان اشاره می کرد.

تحقیقات بیشتری مورد نیاز است، اما تیم معتقد است که کار آن ها راه را برای توسعه روشی برای پیش بینی پاسخ مثبت بیمار به ایمونوتراپی هموار می کند.

پایدی می گوید: همراه با یادگیری ماشینی، طیف سنجی رامان می تواند روش های بالینی را برای پیش بینی پاسخ درمانی تغییر دهد.

بیشتر بخوانید