Neue Machine-Learning-Studie identifiziert Hunderte potenzieller Krebsmedikamenten-Zielstrukturen mit Biomarkern

Forscher des Wellcome Sanger Institute haben die Kraft des Machine Learnings genutzt, um 370 zuvor unentdeckte Arzneimittel-Zielstrukturen für verschiedene Krebsarten, einschließlich Brustkrebs, Gebärmutterhalskrebs und Glioblastom, aufzudecken. Die Ergebnisse, veröffentlicht in Cancer Cell am 11. Januar 2024, stellen einen bedeutenden Schritt vorwärts in der Suche nach personalisierter Medizin dar und könnten die Entwicklung personalisierter Krebsbehandlungen beschleunigen.

Ein Durchbruch in der Krebsforschung

In einer bahnbrechenden Studie haben Wissenschaftler des Wellcome Sanger Institute einen Schatz von 370 potenziellen Arzneimittel-Zielstrukturen in 27 verschiedenen Krebsarten enthüllt. Diese Pionierforschung verspricht nicht nur die Entwicklung neuer präziser Medikamente, sondern stärkt auch die Cancer Dependency Map, eine gemeinsame Initiative des Wellcome Sanger Institute und des Broad Institute, die darauf abzielt, Strategien für personalisierte Krebstherapien zu leiten.

Dr. Mathew Garnett, Co-Leiter der Studie, betonte die Bedeutung dieser Arbeit und erklärte: „Diese Arbeit nutzt die neuesten Erkenntnisse in der Genomik und computergestützten Biologie, um zu verstehen, wie wir Krebszellen am besten angreifen können. Dies wird Arzneimittelentwicklern helfen, ihre Bemühungen auf die wertvollsten Zielstrukturen zu konzentrieren, um neue Medikamente schneller zu den Patienten zu bringen.“

Genomik und Machine Learning nutzen

Die umfangreiche Liste potenzieller Zielstrukturen entstand aus einer Analyse von Daten, die aus der Cancer Dependency Map stammen. Diese Karte wurde durch gleichzeitige CRISPR-Cas9-Veränderungen von fast 18.000 Genen in 930 verschiedenen menschlichen Krebszelllinien erstellt. Durch die Nutzung der Fähigkeiten des Machine Learnings durchsuchten die Forscher diesen kolossalen Datensatz, um Gene, Proteine und Pathways zu identifizieren, die für das Überleben von Krebszellen entscheidend sind.

Biomarker: Der Schlüssel zur personalisierten Medizin

Entscheidend verknüpften die Wissenschaftler diese neu entdeckten Arzneimittel-Zielstrukturen mit klinischen Biomarkern. Biomarker spielen eine entscheidende Rolle bei der Identifizierung der Patienten, die wahrscheinlich von Behandlungen profitieren, die auf spezifische genetische Zielstrukturen abzielen. Das Vorhandensein dieser Biomarker erhöht die Wahrscheinlichkeit einer FDA-Zulassung für Medikamente während der klinischen Entwicklung erheblich, und zwar um das Zwei- bis Vierfache, so die Ergebnisse der Forscher.

Bemerkenswerterweise waren fast alle identifizierten Arzneimittel-Zielstrukturen mit Biomarkern verknüpft, was auf ein starkes Potenzial hinweist, diese Entdeckungen in wirksame Behandlungen zu übersetzen. Diese Erkenntnis hat immense Auswirkungen, da sie darauf hindeutet, dass etwa 30 % aller Krebspatienten von Therapien profitieren könnten, die auf diese identifizierten Biomarker abzielen. Dies ist ein erheblicher Anstieg im Vergleich zu den zuvor geschätzten 14 % der Patienten, die als Kandidaten für Therapien zur Behandlung des Krebsgenoms galten.

Es ist jedoch wichtig zu beachten, dass die Entwicklung von Medikamenten für alle diese Zielstrukturen möglicherweise nicht machbar ist, obwohl diese Biomarker großes Potenzial versprechen. Die Machbarkeit der Ansteuerung dieser genetischen Marker variiert je nach Krebsart, wobei einige Arten basierend auf diesen Ergebnissen wenig oder keine Veränderung bei den neuen Zielstrukturen zeigen. Daher betonen die Forscher die anhaltende Notwendigkeit innovativer Ansätze, um das Repertoire der für Krebspatienten verfügbaren Medikamente zu erweitern.

Ein Blick in die Zukunft der Krebstherapie

Die Forschungsergebnisse unterstreichen auch das Potenzial von Multi-Omics-Biomarker-Tests. Diese Tests, die verschiedene Ebenen biologischer Informationen gleichzeitig untersuchen, wie Gen- und Proteinexpression, könnten ein Game-Changer bei der Erweiterung des Pools an Therapiezielen für Krebspatienten sein. Durch die Nutzung der Kraft von Multi-Omics-Daten könnten Gesundheitsfachkräfte besser in der Lage sein, Behandlungen auf die einzigartigen molekularen Profile einzelner Patienten zuzuschneiden und so eine neue Ära der personalisierten Medizin einzuleiten.

Die bahnbrechende Studie des Wellcome Sanger Institute, angetrieben durch Machine Learning und Genomik, hat einen Weg im Kampf gegen Krebs aufgezeigt. Mit der Identifizierung von 370 potenziellen Arzneimittel-Zielstrukturen in verschiedenen Krebsarten, gepaart mit zugehörigen Biomarkern, sind die Aussichten für personalisierte Krebsbehandlungen noch nie so vielversprechend gewesen. Während Herausforderungen bestehen, ebnet die Schnittstelle modernster Wissenschaft und computergestützter Analyse den Weg für eine hellere Zukunft für Krebspatienten weltweit.