Выявлен генетический профиль наиболее агрессивного рака почки
Исследователи из НИУ ВШЭ определили гены, связанные с развитием наиболее агрессивного подтипа светлоклеточного рака почки. Изучив образцы опухолей 456 пациентов, научный сотрудник Международной лаборатории биоинформатики факультета компьютерных наук НИУ ВШЭ Григорий Пузанов определил подтипы рака с неблагоприятными и благоприятными прогнозами. Исследование опубликовано в журнале Scientific Reports.
Светлоклеточный рак — наиболее распространённый подтип рака почки. По статистике, после пяти лет лечения в живых остаются 60–70 пациентов из 100, при этом за последние десятилетия число новых случаев заболевания увеличилось. Несмотря на большой накопленный объём данных, информация о генах человека, позволяющих прогнозировать течение болезни, изучена не полностью.
Исследователь из НИУ ВШЭ Григорий Пузанов провёл аналитическую работу по поиску опасных подтипов рака и ключевых генов, отвечающих за развитие болезни. Новая информация позволит выявлять агрессивные опухоли на ранней стадии и будет полезна при разработке персонализированных методов лечения.
Для анализа было взято 456 образцов опухолей из Атласа генома рака (TCGA), для которых не проводилась лучевая или фармакотерапия. Подтипы рака выделялись с помощью метода k-средних, когда выборку делят на подгруппы со схожими свойствами. Основой для применения метода стала информация о 2000 генах с наиболее меняющейся экспрессией при светлоклеточном раке почки.
Экспрессия — это процесс, в ходе которого ген считывается, формируется его копия в виде матричной РНК и затем эта копия используется для синтеза белка.
Биоинформатический алгоритм на каждом этапе (100 повторов) сортировал образцы опухолей по схожести экспрессии этих 2000 генов. В результате было выделено три кластера (подтипа) с разной выживаемостью пациентов. Для обнаруженного кластера с худшей выживаемостью характерно наличие метастазов и наиболее плохой ответ на последующую терапию.
Исследование проводилось в несколько этапов. На первом изучались особенности каждого из кластеров. Это позволило понять, какие генетические причины могут влиять на развитие болезни. Затем были выявлены гены, характерные для кластеров, отвечающих за высокую и низкую выживаемость, и построена сеть взаимодействий для белков, синтез которых кодируют эти гены.
Кластеризация методом k-средних образцов ccRCC из базы данных TCGA / Grigory Puzanov / Scientific Reports
В результате были обнаружены ключевые гены, кодирующие белки с наибольшим количеством связей в построенной сети взаимодействий. Так, в подгруппе, связанной с низкой выживаемостью человека, оказались гены MFI2, CP, APOB, ENAM. Они участвуют в регуляции транспорта инсулиноподобного фактора роста (белка, по структуре похожего на инсулин) в клетке и посттрансляционной модификации белков. Также в число ключевых попали гены, кодирующие цепи фибриногена и протромбина, связанные с процессами свертывания крови в организме человека: FGA, FGG и F2.
Некоторые из этих ключевых генов могут определять эффективность применения противоопухолевых препаратов. Например, повышенная активность генов CP, FGA и FGG связана с отсутствием эффекта от лекарства ниволумаб, а APOB и ENAM — от препарата сунитиниб. Зная это, специалисты могут подобрать наиболее эффективное лечение для пациентов со злокачественной опухолью.
Григорий Пузанов
Научный сотрудник Международной лаборатории биоинформатики факультета компьютерных наук НИУ ВШЭ
По мнению исследователя, сочетание традиционных противоопухолевых препаратов и антикоагулянтов, способствующих медленному свертыванию крови, может повысить эффективность лечения. Так, уже есть доказательства, что гепарин, использующийся для лечения тромбозов, приводит к увеличению выживаемости и снижает риск возникновения метастазов.
Подробнее
Estimated survival functions a RNA seq ccRCC Dartaset [2000 genes x 456 samples] 200 400 600 800 1000 1200 1400 1600 1800 2000 50 100 150 200 250 300 350 400 450 Cluster 1 Cluster 2 Cluster 3 KMeans clustering pathologic_M IIMII l■■llll^^lllllll n primary_lymph_node_presentation_assessment : ■i pathologic_stage Survival Analysis M1 (37) MX(31) ■ NA(2) 1(299) 2(126) Clusters Pathologic M 260(4 ^6-02) 99 (9.96-01) 27 (4.76-01) 15 (1.0e+00) 21 (9.4e-05) 1 (1.0e+00) 22 (3.3e-01) 6 (9.0e-01) 3 (3.56-01) 2 (1.06+00) 0 (1.06+00) 0 (1.06+00) 3(31) 10 6 5 4 3 2 1 0 -1 -2 -3 -4 3 2 MX YES NO NA U [Discrepancy] Stage IV Stage III Stage II Stage I
Моя Россия,#Моя Россия, Моя Россия,фэндомы,наука