Algorithmus personalisiert, die Krebs, Mutationen sind die besten Ziele für eine Immuntherapie

Als tumor-Zellen vermehren, Sie oft laichen Zehntausende von genetischen Mutationen. Herauszufinden, welche sind die vielversprechendsten, die das Ziel der Immuntherapie ist wie die Suche nach ein paar Nadeln im Heuhaufen. Jetzt ein neues Modell, entwickelt von Forschern in der Abramson Cancer Center der University of Pennsylvania, hand-picks diejenigen Nadeln, damit Sie genutzt werden kann, die in mehr effektive, maßgeschneiderte Krebs-Impfstoffe. Cell Systems veröffentlicht die Daten auf das Modell der Entwicklung heute, und der Algorithmus ist bereits online verfügbar als open-source-Technologien dienen als eine Ressource.

„Es sind Mutationen in Tumoren kann dazu führen, dass leistungsstarke immun-Antworten, aber für jede mutation erzeugt eine robuste Antwort, über 50 Mutationen, die überhaupt nicht arbeiten, was bedeutet, dass das signal-zu-Rausch-Verhältnis ist nicht groß“, sagte der Studie führen Autor Lee P. Richman, ein MD/Ph. D. Kandidat in der Krebs-Biologie in der Perelman School of Medicine an der University of Pennsylvania. „Unser Modell funktioniert wie ein filter, der den highlights der signal und zeigt uns, welche Ziele zu konzentrieren.“

Derzeit Sequenzierung eines Tumors und die Identifizierung von möglichen immun-Therapien basiert auf einer Messung der sogenannten tumor-Mutationen Belastung (TMB), die im wesentlichen ein Maß für die rate der Mutationen, die in einer gegebenen tumor. Tumoren mit einer hohen rate der mutation wahrscheinlicher sind, zu reagieren, um immunotherapy targeting-Inhibitoren wie PD-1. Das problem ist, dass Krebs-Zellen teilen sich, Sie mutieren zufällig, und, da Sie teilen sich exponentiell, die mögliche Mutationen sind fast unendlich. Dies bedeutet, dass während einer bestimmten Immuntherapie kann den Gegner einen gewissen Prozentsatz von Krebs-Zellen, es kann nicht genug sein, um eine wirksame Behandlung für alle Patienten.

Die Penn team-Modell sieht stattdessen in protein-Sequenzen von Proben der einzelnen Patienten und wertet aus, wie viel es sieht ähnlich aus wie die gesunden Zellen und wie viel sieht anders genug, dass das Immunsystem reagieren könnte, um es. Umso mehr ist es unterschiedlich, die eine bessere Immuntherapie Ziel macht es, weil es wahrscheinlicher ist, zu gewinnen und zu aktivieren Therapien mit weniger Sicherheiten Schäden an gesunden Zellen. Die Modell-Vorhersage ist auch individuell auf jeden Patienten Probe. Das team analysierten Proben von 318 Patienten aus fünf verschiedenen klinischen Prüfung von Datensätzen und das bestätigt nicht nur die Zuordnung zwischen Unähnlichkeit und Versprechen eine Immuntherapie Ziel, fanden aber auch, dass die Unähnlichkeit korreliert eine erhöhte überlebenszeit nach PD-1-Therapie bei Patienten mit nicht-kleinzelligem Lungenkrebs.

„Mit so vielen verschiedene Möglichkeiten der Mutationen, die wir im wesentlichen gekocht und die Frage, welche Ziele nach unten, um ein mathematisches problem, dann einen Algorithmus entwickelt, um es zu lösen,“ sagte Andrew J. Rech, MD, Ph. D., ein Bewohner in der Pathologie und Labor-Medizin und der Studie co-senior-Autor zusammen mit Robert H. Vonderheide, MD, DPhil, Direktor der Abramson Cancer Center. „Wir wussten auch, es war wichtig, dieses Modell von anderen Forschern zu helfen, informieren die Impfstoff-Entwicklung und klinische Studien.“