Рак является серьезной проблемой во всем мире, и его влияние, согласно прогнозам, будет усиливаться из-за старения и роста населения. Исследователи признают, что новые подходы к диагностике и лечению смертельного рака, включая поиск новых лекарств для лечения рака, будут иметь важное значение для сдерживания растущего воздействия болезни.
Хотя десятилетия инвестиций в исследования привели к значительным улучшениям в выживаемости при раке, ключевой проблемой остается поиск новых лекарств, которые улучшают результаты для онкологических больных, особенно для рака, когда опухоли распространились по всему телу.
В APL Bioengineering, изданной AIP Publishing, исследователи предполагают, что основным препятствием на пути к идентификации новых лекарств является нехватка моделей – организмов, имитирующих человеческий рак в лабораторных условиях – для исследований рака, которые точно представляют опухоли пациента. Они дают представление о стратегиях разработки моделей для информирования о лечении рака с использованием моделей от отдельных пациентов, а также о том, что необходимо в этой области с точки зрения исследований в системах животных и в системах культивирования.
"Помимо создания более совершенных моделей для исследований рака, мы пытаемся развивать модели, основанные на пациентах, до такой степени, чтобы мы могли проводить быстрые и надежные тесты на наркотики на образцах пациентов, чтобы помочь персонализировать лечение рака," сказал автор Алана Велм. "Это концепция функциональной прецизионной онкологии."
В функциональной прецизионной онкологии образцы опухолей от отдельных пациентов проверяются на чувствительность к различным лекарствам в контексте полученного от пациента ксенотрансплантата или системы культивирования, чтобы направлять терапию пациента в течение их заболевания.
Исследователи предполагают, что еще более действенный подход к ускорению темпов исследований рака заключался бы в объединении разработки модели на основе пациентов с множеством клинических испытаний, проводимых каждый день.
Если бы клинические данные и модели были сопоставлены и переданы вместе с информацией о реакции на лекарства, машинное обучение могло бы облегчить анализ этих больших данных для выявления сложных паттернов реакции на лекарства или устойчивости у разных людей, которые затем могли бы быть дополнительно протестированы на моделях, полученных от пациентов.
Исследователи предполагают, что опухоли пациентов могут быть подвергнуты биоинформатическому профилированию для выявления сложного набора характеристик, которые можно использовать для прогнозирования ответа на различные методы лечения, и на основе данных о функциональном ответе на лекарства, собранных в предыдущих исследованиях. Исследователи полагают, что это облегчит выбор более эффективных лекарств на ранних этапах лечения и предотвратит прием токсичных лекарств, которые не приносят пользы.
Эти типы данных могут быть даже интегрированы с вариантами последовательности ДНК зародышевой линии, которые предсказывают аномальный метаболизм и токсичность лекарственного средства для еще более персонализированного подхода к снижению смертности от рака при одновременном максимально возможном снижении токсичности.