Вычислительный метод проясняет связи между генами и лекарствами для точного лечения рака

Статья, опубликованная в Биологические методы и протоколы, указывает на то, что новый вычислительный метод может помочь исследователям быстрее и эффективнее определять эффективные точные методы лечения рака. Статья называется «SOLVE: Структурированная ортогональная структура скрытых переменных для устранения искажений в матричных данных».

Прецизионная онкология и проблемы с данными

Прецизионная онкология — это многообещающий, недавно разработанный подход к лечению рака, при котором врачи подбирают методы лечения с учетом уникального молекулярного профиля опухоли пациента.

Современная терапия рака все больше зависит от подбора правильного препарата для конкретного пациента. Масштабные исследования оценить тысячи лекарств на сотнях линий раковых клеток, чтобы найти генетические биологические маркеры для прогнозирования эффективности лекарства.

Однако на практике эти данные невероятно зашумлены. Скрытые отвлекающие детали — неизмеренные биологические различия между клеточными линиями — могут создать ложные следы и заставить исследователей упустить важные сигналы.

Внедрение прецизионного лечения онкологии эффективно опирается на инструменты доклинических исследований, в первую очередь крупномасштабные медицинские обследования. Эти скрининги тестируют лекарства на сотнях линий раковых клеток, каждая из которых представляет отдельный тип опухоли, чтобы обнаружить геномные особенности, которые предсказывают эффективность лекарства.

Однако модели, основанной исключительно на наблюдаемых особенностях, недостаточно, поскольку реакция на лекарство зависит от множества ненаблюдаемых переменных, отражающих скрытые свойства как линий раковых клеток, так и лекарств. Например, реакция клеточной линии часто определяется положением опухоли в теле пациента, что редко измеряется непосредственно при скрининге.

Наличие таких ненаблюдаемых переменных создает проблемы с данными, которые могут маскировать истинные ассоциации генов наркотиков или создавать ложные.

Фреймворк SOLVE и его преимущества

Здесь исследователи разработали предложенную структуру, которую они называют структурированной ортогональной латентной переменной (SOLVE), для преодоления проблем, представленных выше, путем совместного и явного моделирования вклада ненаблюдаемых скрытых факторов наряду с известными конкретными предикторами онкологических лекарств в рамках единой унифицированной модели.

Это новая статистическая основа, разработанная для отделения значимых взаимосвязей между генами и лекарствами от этого скрытого фонового шума. SOLVE анализирует одновременно три части информации: генетические особенности каждой клеточной линии, химические свойства каждого лекарства и третий скрытый компонент, который представляет собой неизмеренную биологию.

Ключевой особенностью метода, по мнению авторов, является то, что он заставляет этот скрытый компонент фиксировать только то, что не может быть объяснено измеренными данными, что делает различные вклады идентифицируемыми и интерпретируемыми в рамках модели.

Исследователи полагают, что SOLVE обеспечивает как одноэтапное решение в закрытой форме для стандартной регрессии, так и повторяемый алгоритм, который также работает для задач классификации, таких как прогнозирование чувствительных и резистентных реакций на лекарства.

Результаты и значение для исследований рака

Применив два основных ресурса данных о раке, Энциклопедию раковых клеточных линий и Инициативу по скринингу клеточных линий Genentech, исследователи обнаружили, что SOLVE выявила хорошо устоявшиеся взаимосвязи, такие как критическая связь между геном EGFR — геном, который дает инструкции для белка, который помогает контролировать рост и деление клеток — и препаратами, которые его ингибируют, но которые упускают из виду конкурирующие методы.

Исследователи полагают, что благодаря более четкому отделению измеренных предикторов от скрытых переменных SOLVE предлагает надежный вычислительный инструмент для открытия биомаркеров и изучения того, почему некоторые опухоли реагируют на лечение, а другие нет. Это имеет прямое значение для точной онкологии и может быть адаптировано к другим сложным биомедицинским исследованиям.