Новый алгоритм для анализа транскриптома предлагает перспективные комбинации препаратов против рака

Разработка новых методов лечения рака — сложная и дорогостоящая задача, требующая эффективных вычислительных подходов. Одним из ключевых направлений является анализ транскриптомных профилей, позволяющий выявлять специфические для заболевания изменения в активности генов и использовать их для разработки таргетной терапии. Ученые из Норвегии и Нидерландов разработали вычислительный инструмент retriever для того, чтобы предсказывать наиболее эффективные комбинации препаратов, и продемонстрировали его работу на примере трижды негативного рака молочной железы (ТНРМЖ).

Работа алгоритма включает несколько этапов. На первом шаге retriever усредняет ответ клеток на конкретный препарат по времени, на втором — по концентрации соединения, на третьем — по клеточным линиям. Полученные транскриптомные сигнатуры, характерные для заболевания, сравнивают с сигнатурами здоровых эпителиальных клеток. Наконец, вычисленные профили ответа сопоставляют со всеми доступными по конкретному заболеванию данными из базы LINCS-1000. Этот проект предоставляет данные о реакции клеток на различные лекарственные соединения.

Исследователи проанализировали 36 общедоступных наборов данных секвенирования РНК единичных клеток из образцов молочной железы — 26 опухолевых и 10 здоровых. После фильтрации по качеству данных осталось 77 384 клетки, которые разделили на девять кластеров и классифицировали по экспрессии маркерных генов. Анализ дифференциальной экспрессии выявил 205 генов — уровень транскриптов 106 из них возрастал в опухолевых клетках, еще 99 снижался. Эти гены были связаны с активацией окислительного фосфорилирования, мишеней Myc, а также с подавлением TNFα-сигналинга, эстрогенового ответа и апоптоза, что соответствовало молекулярному фенотипу ТНРМЖ.

Для выявления потенциальных препаратов ученые использовали 4899 профилей ответа на 205 соединений в трех линиях клеток ТНРМЖ из проекта LINCS. Обработав данные алгоритмом retriever, они получили 152 устойчивых транскрипционных профиля, которые использовали для моделирования лекарственных комбинаций in silico. В итоге было рассчитано 11 476 профилей ответа на комбинации препаратов, которые ранжировались по способности обратить транскрипционные изменения ТНРМЖ.

Наиболее перспективной оказалась комбинация QL-XII-47 — ингибитора тирозинкиназы Брутона (BTK), — и GSK-690693 — ингибитора AKT. Анализ обогащения по функциональной принадлежности (GSEA) показал, что QL-XII-47 активирует TNFα-сигналинг, гипоксию и воспалительный ответ, а также подавляет метаболизм жирных кислот. В сочетании с GSK-690693 он также снижает активность mTORC1-сигналинга, мишеней E2F и ответа на несвернутый белок. Такое действие может ингибировать рост и метастазирование ТНРМЖ.

Тестирование комбинации на нескольких линиях рака молочной железы подтвердило ее эффективность. QL-XII-47 продемонстрировал более сильное действие, чем GSK-690693, а их сочетание усиливало эффект каждого из них, снижая жизнеспособность опухолевых клеток.

Исследователи отмечают несколько ограничений текущей версии инструмента retriever. Например, он позволяет ранжировать препараты и их комбинации по степени их воздействия на транскрипционные сигнатуры заболеваний, однако для точного подбора дозировки, оценки синергии препаратов и определения возможных побочных эффектов все еще необходимы экспериментальные исследования.

Подход открывает перспективы для разработки персонализированных методов лечения рака, позволяя выявлять лекарства и их комбинации, которые воздействуют на специфические типы и подгруппы клеток у отдельных пациентов. Алгоритм retriever может применяться для анализа данных по другим типам рака, как только информация о них появится в проекте LINCS-L1000. Кроме того, метод можно адаптировать для разработки индивидуальных планов лечения.

Как без потерь масштабировать транскриптомику единичных клеток