Mutációk együttes értékelése vastagbélrákban

A The Lancet Digital Health folyóiratban augusztus 18-án jelent meg a Drezdai Műszaki Egyetem kutatóinak tanulmánya, amelyben arról számoltak be, hogy egy új “multi-target transformer modellt” fejlesztettek ki, amely képes különböző genetikai eltérések előrejelzésére rutinszerűen festett vastagbélrákos szövetmetszetekből. A korábbi módszerek általában egyetlen genetikai eltérés előrejelzésére korlátozódtak, és nem vették figyelembe a párhuzamos mutációkat vagy a közös morfológiai mintázatokat. A modell a genetikai eltéréseket és a vastagbélrákban bekövetkező szöveti változásokat közvetlenül a szövetmetszetek képeiből észleli. Ez a jövőben lehetővé teheti a gyorsabb és költséghatékonyabb diagnosztikát. A modell fejlesztéséhez és validálásához közel 2000 digitalizált szövetmintát használtak fel, hét független kohorszban Európában és az Egyesült Államokban. A minták között szerepeltek a szövetminták teljes diáiról készült képek, valamint klinikai, demográfiai és életmódbeli adatok.

“A korábbi mélytanulási (deep learning) modellek és a szöveti eltérések elemzései általában egyszerre csak egyetlen mutációra összpontosítottak. Új modellünk azonban sok biomarkert képes egyszerre azonosítani, beleértve néhány olyat, amelyet még nem is tartanak klinikailag relevánsnak. Ezt számos független kohorszban be tudtuk már mutatni. Azt is megfigyeltük, hogy sok mutáció gyakrabban fordul elő mikroszatellit-instabil tumoroknál (MSI)" - nyilatkozta Marco Gustav, a tanulmány első szerzője.

A vastagbélrák bizonyos típusai mikroszatellit-instabilitás (MSI) alapján osztályozhatók. A mikroszatellitek rövid, ismétlődő DNS-szekvenciák, amelyek a genomban szétszórva találhatók. Rák esetén az MSI akkor fordulhat elő, amikor ezek a szekvenciák instabillá válnak a DNS-javító rendszer hibái miatt. Az MSI fontos biomarker azon betegek azonosításához, akik immunterápiás kezelésben részesülhetnek.

“Ez arra utal, hogy a különböző mutációk összességében hozzájárulnak a szöveti morfológiai változásokhoz. A modell a közös vizuális mintázatokat ismeri fel ahelyett, hogy egymástól függetlenül azonosítaná az egyes genetikai eltéréseket" - teszi hozzá Gustav.

A kutatók a cikkben azt is bemutatták, hogy modelljük számos biomarker, például a BRAF vagy RNF43 mutációk és a mikroszatellit-instabilitás (MSI) előrejelzésében megfelelt, sőt részben felülmúlta a meglévő egycélú modelleket. Jakob N. Kather, az NCT/UCC Carl Gustav Carus Egyetemi Kórház vezető onkológusa így nyilatkozott: “Kutatásunk azt mutatja, hogy az AI modellek jelentősen felgyorsíthatják a diagnosztikai munkafolyamatokat. Ugyanakkor ezek a módszerek a vastagbélrák esetében új betekintést is nyújtanak a molekuláris és morfológiai változások közötti kapcsolatra. A jövőben ez a technológia hatékony előszűrő eszközként használható, hogy segítsen az orvosoknak a nagy kockázatú betegek kiválasztásában, akiknél további molekuláris tesztelést lehet majd végezni, illetve segítségünkre lehet a személyre szabott kezelési döntések során.”

A kutatócsoport most azt tervezi, hogy ezt a megközelítést más típusú rákokra is kiterjeszti.

Írásunk az alábbi közlemények alapján készült:

AI model simultaneously detects multiple genetic colorectal cancer markers in tissue samples

Assessing genotype−phenotype correlations in colorectal cancer with deep learning: a multicentre cohort study

Irodalmi hivatkozás:

Marco Gustav et al, Assessing genotype−phenotype correlations in colorectal cancer with deep learning: a multicentre cohort study, The Lancet Digital Health (2025). DOI: 10.1016/j.landig.2025.100891