KI entschlüsselt genetische Hinweise zur Personalisierung der Krebstherapie

Eine Studie unter Leitung von PD Dr. Ruishan Liu von der University of Southern California (USC) hat aufgedeckt, wie bestimmte Mutationen die Ergebnisse der Krebsbehandlung beeinflussen.

Die Untersuchung war die größte Studie ihrer Art und analysierte über mehr als 20 Krebsarten hinweg Daten von mehr als 78.000 Patienten. Diese Patienten erhielten Immun-, Chemo- und zielgerichtete Therapien.

Mithilfe fortschrittlicher Computeranalysen identifizierten die Forscher fast 800 genetische Veränderungen, die sich direkt auf die Überlebensergebnisse auswirkten. Sie entdeckten außerdem 95 Gene, die maßgeblich mit dem Überleben bei Krebserkrankungen wie Brust-, Eierstock-, Haut- und Magen-Darm-Krebs in Zusammenhang stehen.

Genetisches Profil kann für Personalisierung der Therapie entscheidend sein

Aufbauend auf diesen Erkenntnissen entwickelte das Team ein maschinelles Lerntool, um vorherzusagen, wie Patienten mit fortgeschrittenem Lungenkrebs auf eine Immuntherapie reagieren könnten.

„Diese Entdeckungen unterstreichen, wie die Erstellung eines genetischen Profils eine entscheidende Rolle bei der Personalisierung der Krebsbehandlung spielen kann“, erläuterte Liu. „Wenn Ärzte verstehen, wie unterschiedliche Mutationen das Ansprechen auf eine Behandlung beeinflussen, können sie die wirksamsten Therapien auswählen – möglicherweise ineffektive Therapien vermeiden und sich auf diejenigen konzentrieren, die am wahrscheinlichsten helfen.“

Die in „Nature Communications“ veröffentlichte Studie unterstreicht die entscheidende Rolle von Genen wie TP53, CDKN2A und CDKN2B bei der Beeinflussung der Behandlungsergebnisse und validiert diese Zusammenhänge mit realen Daten.

Warum sind Mutationen wichtig?

Bei Krebs können Mutationen bestimmen, ob ein Tumor aggressiver ist oder wie er auf bestimmte Behandlungen reagieren könnte. Heutzutage werden genetische Tests in der Krebsbehandlung zunehmend eingesetzt, um diese Mutationen zu identifizieren, sodass Ärzte die Behandlungen präziser auswählen können.

Beispielsweise werden Patienten mit der Diagnose Nichtkleinzelliger Lungenkrebs (NSCLC) häufig genomisch auf Mutationen in Genen wie KRAS, EGFR und ALK getestet, um festzustellen, ob zielgerichtete oder Immuntherapien wirksam sein könnten.

Zu den wichtigsten Ergebnissen der Studie zählen:

• KRAS-Mutationen beim fortgeschrittenen Nichtkleinzelligen Lungenkrebs waren mit einem schlechteren Ansprechen auf eine gängige Behandlung (EGFR-Inhibitoren) verbunden, was darauf hindeutet, dass alternative Behandlungen erforderlich sein könnten.

• NF1-Mutationen verbesserten das Ansprechen auf die Immuntherapie und verschlechterten das Ansprechen auf bestimmte zielgerichtete Therapien, was ihre komplexe Rolle bei der Behandlung unterstreicht.

• Mutationen des PI3K-Signalwegs, der das Zellwachstum reguliert, hatten je nach Krebsart unterschiedliche Auswirkungen, mit unterschiedlichem Ansprechen bei Brust- und Nierenkrebs sowie Melanomen.

• Mutationen des Signalwegs für die DNA-Reparatur verbesserten die Wirksamkeit der Immuntherapie bei Lungenkrebs, indem sie die Tumorinstabilität erhöhten.

• Mutationen in immunbezogenen Signalwegen waren mit besseren Überlebensraten bei Lungenkrebspatienten verbunden, die mit einer Immuntherapie behandelt wurden, was darauf hindeutet, dass nicht alle Mutationen den Behandlungserfolg behindern.

Ein leistungsstarkes Prognosetool

Während Krebsbehandlungen traditionell einem Einheitsansatz folgten, bei dem Patienten mit derselben Krebsart die gleichen Standardtherapien erhielten, unterstreicht die Studie die Bedeutung der Präzisionsmedizin, die die Behandlung auf der Grundlage der individuellen genetischen Ausstattung eines Patienten maßschneidert.

Obwohl große Mengen an Mutationsdaten verfügbar sind, gibt es nur für eine kleine Anzahl davon klinisch validierte Behandlungen − was die potenziellen Auswirkungen in der Praxis und den Nutzen für den Patienten einschränkt. Um diese Lücke zu schließen, analysierte Lius Team auf der Grundlage ihrer Erkenntnisse mithilfe von Maschinellem Lernen, wie mehrere Mutationen interagieren und die Behandlungsergebnisse beeinflussen. „Unser Ziel war es, Muster zu finden, die auf den ersten Blick möglicherweise nicht offensichtlich sind“, so Liu.

Sie entwickelten ein Random Survival Forest (RSF)-Modell, ein Prognosetool zur Verfeinerung der Behandlungsempfehlungen für Lungenkrebspatienten. Durch die Integration umfangreicher realer Daten mit Maschinellem Lernen identifizierte das Modell neue Wechselwirkungen zwischen Mutation und Behandlung.

„Unser Ziel war es, Muster zu finden, die auf den ersten Blick nicht offensichtlich sind, und diese Erkenntnisse dann in Instrumente für den Alltag umzusetzen, die den Zugang zur Immuntherapie für Krebspatienten erweitern können“, sagte Lui. „Eine wichtige Innovation liegt in der Integration riesiger Datenmengen mit fortschrittlichen statistischen und maschinellen Lerntechniken, um bisher unerkannte Interaktionen zwischen Mutation und Behandlung aufzudecken.

Obwohl weitere klinische Studien erforderlich sind, sieht Liu diese Studie als wichtigen Schritt hin zu einer präziseren und personalisierteren Krebsbehandlung. „Diese Forschung zeigt die Macht der Computerwissenschaft bei der Umwandlung komplexer klinischer und genomischer Daten in umsetzbare Erkenntnisse“, betonte sie.