Keine „Junk-DNA“ mehr: Identifizierung von Krebserkrankungen anhand wiederholter Elemente des genetischen Codes

Wiederholungen von DNA-Sequenzen, die in Chromosomen vorkommen und zu Krebs oder anderen Krankheiten beitragen könnten, waren bisher schwer zu identifizieren und zu charakterisieren. Jetzt haben Forscher am Johns Hopkins Kimmel Cancer Center einen neuartigen Ansatz entwickelt, der maschinelles Lernen nutzt, um diese Elemente im Krebsgewebe sowie in zellfreier DNA (cfDNA) zu identifizieren.

In Labortests konnte die Methode namens ARTEMIS (Analysis of RepeaT EleMents in disease) über 1.200 Arten von Wiederholungselementen, die fast die Hälfte des menschlichen Genoms ausmachen, untersuchen. Die Forschenden stellten fest, dass eine große Anzahl von Wiederholungen, von denen bisher nicht bekannt war, dass sie mit Krebs in Zusammenhang stehen, bei der Tumorentstehung verändert waren. Den Forschern gelang es auch, Veränderungen in diesen Elementen in der cfDNA zu identifizieren und so eine Möglichkeit zu schaffen, nicht nur Krebs zu erkennen sondern auch zu bestimmen, wo im Körper er seinen Ursprung hat.

„Wenn man an bestehende Krebsgene und die sie umgebenden DNA-Sequenzen denkt, sind sie voll von diesen Wiederholungen“, sagt Victor E. Velculescu, M.D., Ph.D., Professor für Onkologie und Co-Direktor der Krebsforschung Genetics and Epigenetics Program am Johns Hopkins Kimmel Cancer Center (USA), der die Studie zusammen mit Akshaya Annapragada, einem M.D./Ph.D., leitete. Student an der Johns Hopkins University School of Medicine, und Robert Scharpf, Ph.D., außerordentlicher Professor für Onkologie an der Johns Hopkins University.

„Bis ARTEMIS wurde diese dunkle Materie des Genoms im Wesentlichen ignoriert, aber jetzt sehen wir, dass diese Wiederholungen nicht zufällig auftreten“, sagt Velculescu. „Am Ende gruppieren sie sich um Gene, die bei Krebs auf unterschiedliche Weise verändert sind, und geben den ersten Einblick, dass diese Sequenzen möglicherweise der Schlüssel zur Tumorentstehung sind.“

In einer Reihe von Labortests untersuchten die Forscher zunächst die Verteilung von 1,2 Milliarden kmers (kurze DNA-Sequenzen), die einzigartige Wiederholungen definieren, und stellten fest, dass sie mit Genen angereichert sind, die bei Krebserkrankungen beim Menschen häufig verändert sind. Beispielsweise enthielten 487 von 736 Genen, von denen bekannt ist, dass sie Krebs auslösen, eine durchschnittlich fünfzehnfach höhere Anzahl an Wiederholungssequenzen als erwartet.

Diese Wiederholungssequenzen waren auch bei Genen, die an Zellsignalwegen beteiligt sind und bei Krebserkrankungen häufig fehlreguliert sind, deutlich erhöht. Mithilfe der Next-Generation-Sequenzierung untersuchten die Forscher auch, ob Wiederholungssequenzen vorliegen. Sie verwendeten ARTEMIS, um über 1.200 verschiedene Arten von Wiederholungselementen in Tumor- und Normalgeweben von 525 Patienten mit unterschiedlichen Krebsarten zu analysieren, die an der Pan-Cancer Analysis of Whole Genomes (PCAWG) teilnahmen, und fanden einen Median von 807 veränderten Elementen in jedem Tumor.

Bei fast zwei Dritteln dieser Elemente (820 von 1.280) wurde zuvor bei Krebserkrankungen beim Menschen keine Veränderung beobachtet. Anschließend generierten sie mithilfe eines maschinellen Lernmodells für jede Probe einen ARTEMIS-Score, um eine Zusammenfassung der genomweiten Veränderungen wiederholter Elemente zu erhalten, die auf Krebs hinweisen. Die ARTEMIS-Scores unterschieden die Tumoren der 525 PCAWG-Teilnehmer von normalem Gewebe mit einer hohen Leistung (AUC=0,96) bei allen analysierten Krebsarten, wobei 1 ein perfekter Score ist. Erhöhte ARTEMIS-Scores waren unabhängig vom Tumortyp mit einem kürzeren Gesamtüberleben und progressionsfreien Überleben verbunden.

Als nächstes bewerteten die Forscher das Potenzial von ARTEMIS zur nichtinvasiven Erkennung von Krebs. Sie wandten das Tool auf Blutproben von 287 Personen mit und ohne Lungenkrebs an, die an der dänischen Lungenkrebs-Screening-Studie (LUCAS) teilnahmen. ARTEMIS klassifizierte Patienten mit Lungenkrebs mit einer Fläche unter der Kurve (AUC) von 0,82. Wenn ARTEMIS mit einer anderen Methode namens DELFI (DNA-Bewertung von Fragmenten für frühes Abfangen) – einem zuvor von Velculescu, Scharpf und anderen Mitgliedern ihrer Gruppe entwickelten Test, der Veränderungen in der Größe und Verteilung von cfDNA-Fragmenten im Genom erkennt – kombiniert wurde, klassifizierte es Patienten mit Lungenkrebs mit einer AUC von 0,91. Eine ähnliche Leistung wurde bei einer Gruppe von 208 Personen mit einem Risiko für Leberkrebs beobachtet, in der ARTEMIS Personen mit Leberkrebs, unter anderem mit Leberzirrhose oder Virushepatitis, mit einer AUC von 0,87 entdeckte. In Kombination mit DELFI stieg die AUC auf 0,90.

Schließlich untersuchten die Wissenschaftler, ob der ARTEMIS-Bluttest bei Krebspatienten feststellen kann, wo im Körper ein Tumor entstanden ist. Wenn das Tool mit Informationen der PCAWG-Teilnehmer trainiert wurde, konnte es bei 12 Tumortypen die Quelle von Tumorgewebe mit einer durchschnittlichen Genauigkeit von 78 % klassifizieren. Anschließend kombinierten die Forscher ARTEMIS und DELFI, um Blutproben von einer Gruppe von 226 Personen mit Brust-, Eierstock-, Lungen-, Darm-, Gallengangs-, Magen- oder Bauchspeicheldrüsentumoren zu untersuchen. Hier klassifizierte das Modell Patienten mit einer durchschnittlichen Genauigkeit von 68 % korrekt den jeweiligen Krebsarten zu. Diese Genauigkeit verbesserte sich auf 83 %, als das Modell zwei mögliche Tumorarten anstelle einer einzelnen Krebsart vorschlagen durfte.

„Unsere Studie zeigt, dass ARTEMIS genomweite Wiederholungslandschaften aufdecken kann, die zugrunde liegende Veränderungen bei Krebserkrankungen beim Menschen widerspiegeln“, sagt Annapragada. „Durch die Beleuchtung des sogenannten ‚dunklen Genoms‘ bietet die Arbeit einzigartige Einblicke in das Krebsgenom und liefert einen Proof-of-Concept für den Nutzen genomweiter Wiederholungslandschaften als gewebe- und blutbasierte Biomarker für die Krebserkennung/-charakterisierung und Überwachung.“

Die nächsten Schritte bestehen darin, den Ansatz in größeren klinischen Studien zu evaluieren, sagt Velculescu: „Sie können sich vorstellen, dass dies zur Früherkennung verschiedener Krebsarten eingesetzt werden könnte, aber auch bei anderen Anwendungen wie der Überwachung des Ansprechens auf eine Behandlung oder der Erkennung von Rezidiven Anwendung finden könnte. Das ist eine völlig neue Grenze.“