در جست وجوی وابستگی های ژنتیکی سرطان - نامیت

بیشتر این جهش ها به بروز هیچ مسئله ای نمی انجامد اما بعضی از آنها می تواند منشأ تشکیل تومور شود.

این جهش ها که در اثر خطاهای تصادفی در مدت تکثیر دی ان ای یا در اثر عواملی مانند سبک زندگی ناسالم به وجود می آید، سبب رشد سلول های سرطانی می شود و همچنین نفوذپذیری های خاصی را در این سلول ها ایجاد می کند که در سلول های سالم وجود ندارد.

بعضی از این نقص ها می تواند در درمان های هدفمند مورد استفاده قرار بگیرد. از آنجا که سرطان انواع بسیار زیادی دارد سخت است که بتوان ارتباط میان تغییرات ژنتیکی سرطان و وابستگی هایی را که سبب می شود به طور جامع درک کنیم.

برای حل این مشکل، یک کنسرسیوم بین المللی متشکل از مراکز علمی - پژوهشی از سراسر دنیا ازجمله موسسه سَنگر انگلستان، موسسه فناوری ماساچوست (ام آی تی)، دانشگاه هاروارد و موسسه هیومَن تِکنوپُل ایتالیا پروژه ای با عنوان نقشه وابستگی سرطان (Cancer Dependency Map یا DepMap) را شروع کرده اند.

این پروژه که برپایه دانش زیست داده ورزی استوار است به صورت سیستماتیک وابستگی های ژنتیکی و مولکول های حساس پذیر به آنها را شناسایی و زیست نشانگرهایی کشف کرده که این وابستگی ها را پیش بینی می کند. این یافته ها می تواند در ارائه درمان های هدفمند و موثر به کار رود.

از این رو با دکتر فرانچسکو ایوریو (Dr. Francesco Iorio) سرپرست این پروژه در موسسه سنگر

(Sanger Institute) انگلستان و موسسه هیومن تکنوپل ایتالیا، تلفنی گفت وگو کرده ایم.

حدود 15 سال پیش نخستین گام ها برای ایجاد اطلس ژنوم های سرطان (TCGA) برداشته شد و به تازگی پروژه جدیدی با عنوان نقشه وابستگی به سرطان شروع شده است. چه تفاوت ها و شباهت هایی میان این دو پروژه وجود دارد؟

بله تقریبا 15 سال قبل، دانشمندان و پزشکان پیشنهاد دادند ژنوم تومورهای سرطانی بیماران مشخص شود و تقریبا از حدود 10سال قبل داروهای امیدبخشی برای درمان سرطان ها تایید شد. در ساخت این داروهای جدید از مزایای داده های مربوط به توالی های به دست آمده از ژنوم های سرطان استفاده شده است. فقط کافی است فکر کنید در حال حاضر بیش از 2.5پتابایت داده از ژنوم های حدود 200 نوع سرطان در پایگاه داده های این اطلس در دسترس است. این داده ها توانسته اند تحلیل ویژگی های مولکولی توالی های ژنومیک در دی ان ای را تسریع کنند. اما باوجود چنین پروژه هایی، در حال حاضر کمتر از یک چهارم بیماران مبتلا به سرطان های شایع می توانند از داروهایی دقیق و موثر با کمترین میزان عوارض جانبی حاد بهره مند شوند. به همین علت هنوز آمار مرگ ناشی از ابتلا به سرطان بسیار بالاست و همچنان راه بسکمک برای درمان مؤثر سرطان باقی مانده است که از آن جمله می توان به توانایی علم پزشکی در پیش بینی فعالیت دارو بر تومور از طریق بررسی ژنوم آن اشاره کرد. پروژه ما چشم اندازی فراتر از TCGA یعنی توالی نویسی ژنوم های سرطان را در نظر می گیرد. در واقع ما علاوه بر توالی نویسی، مثل یک رصدخانه خارجی، هر یک از ژن های ژنوم سلول سرطانی را تک به تک غیرفعال می کنیم تا ببینیم با غیرفعال سازی کدام ژن و پروتئین، سلول سرطانی همچنان زنده می ماند. کار دیگری که انجام می دهیم این است که پس از توالی نویسی ژنوم سرطان، از طریق دارو مستقیم روی آن اثر می گذاریم و میزان اختلالی را که در فعالیت سلول های سرطانی به وجود می آید اندازه گیری می کنیم.

کمی درباره نتایجی که تا به امروز به مدد پروژه DepMap به دست آمده توضیح دهید؟

من در تمام پروژه هایی که در موسسه سنگر در ارتباط با این پروژه انجام شده حضور داشته ام. برای مثال در یکی از این پژوهش ها ما هدف درمانی بسیار مهمی را برای زیرنوع سرطان روده بزرگ و سرطان تخمدان شناسایی کردیم. این نوع سرطان ها در اثر نقص خاصی در ترمیم دی ان ای به وجود می آید و این زیرنوع از لحاظ بالینی بسیار مورد توجه است زیرا این بیماران تحت معالجات ایمنی درمانی قرار می گیرند اما متاسفانه بسکمک از آنها به این ایمنی درمانی پاسخ نمی دهند. به همین علت کشف ما می تواند در معالجات آینده به ویژه در مورد این سرطان ها استفاده شود. نتایج پژوهش های دیگر از کشف حدود 30 هدف جدید خبر می دهد که تا به امروز پنج مطالعه بالینی درباره آنها شروع شده است. تمام این نتایج بسیار امیدبخش است و پژوهشگران را به سوی چالش های جدیدی در مبارزه با انواع سرطان سوق می دهد.

همان طورکه توضیح دادید یکی از اهداف پروژه نقشه وابستگی سرطان ارزیابی فعالیت داروهای متعدد روی مدل های مختلف سرطان است. آیا هوش مصنوعی هم در نیل به این هدف دخیل است؟ یا پروژه فقط بر پایه پردازش های رایانه ای خارج از هوش مصنوعی واقع شده است؟

بی شک هوش مصنوعی بر پایه فناوری یادگیری ماشین نقش مهمی در این پروژه ایفا می کند، زیرا هدف غایی ما استفاده از این داده ها در سطح بالینی و آزمایش روی مدل های کشت در محیط آزمایشگاه (in vitro) است. اما پیش از شروع این آزمایش ها، یادگیری ماشین می تواند میزان نفوذپذیری و وابستگی سرطان به آن ژن خاص را پیش بینی کند. پس می توانم بگویم استفاده از هوش مصنوعی از اهداف نهایی برای پیش بینی میزان اثربخشی دارو و تاب آوری ژنوم سرطان در برابر آن است. اما نه فقط یادگیری اتوماتیک که به طورکلی زیست داده ورزی (بیوانفورماتیک) نقش بنیادینی در جمع آوری و پردازش چنین داده هایی ایفا می کند و دانشمندان از هر گوشه دنیا می توانند به صورت آنلاین و بسیار آسان از آنها بهره مند شوند.

چه تفاوتی میان داروی هدفمند با داروی ویژه سازی شده وجود دارد؟ برای مثال داروی ویژه سازی شده قادر است نقص های ژنتیکی وخیم را تصحیح کند؟

پیش از پاسخ به این سوال، اول باید درمان هدفمند را توضیح دهم. واضح است که حتی امروز هم متاسفانه مؤثرترین استراتژی در مبارزه با سرطان استفاده از داروهایی است که با اصطلاح شیمی درمانی شناخته می شود. بیشتر داروهای شیمی درمانی قادر به شناسایی فعالیت های ژن های سرطان نیستند و در نتیجه روی پروتئین هایی که توسط این ژن ها بیان می شوند عمل نمی کنند؛ بلکه روی سازوکارهای عمومی تر و پیچیده تری اثر می گذارند که سلول های سالم و بیمار به آنها وابسته اند اما سلول های سرطانی بسیار سریع تر و موثرتر از این سازوکارها استفاده می کنند. پس با مداخله شیمی درمانی، این سازوکارها مختل و درنتیجه سلول های سرطانی نابود می شوند. اما متاسفانه همزمان سلول های عادی هم از بین می فرایند. ولی در درمان هدفمند، دارو بر سازوکارهایی که هم برای سلول های سرطانی و هم برای سلول های سالم مفید است تاثیر نمی گذارد؛ بلکه پروتئین و ژنی را که سلول سرطانی به آن وابسته است شناسایی و فقط به آن حمله می کند. از آنجا که آن پروتئین خاص روی سلول های سالم بی اثر است، در نتیجه سلول های عادی بدون آسیب باقی می مانند. این مهم ترین تفاوت میان درمان هدفمند با شیمی درمانی است.

درمان ویژه سازی شده دقیقا چه کمکی می کند؟

درمان ویژه سازی شده یا شخصی سازی شده نوعی درمان هدفمند است که زیست نشانگر (Biomarker) دارد. زیست نشانگر نوعی ویژگی مولکولی است که وقتی در بیمار مشاهده می شود به این معنی است که اثرگذاری دارو برای آن شخص خاص در حد مطلوب است. به این ترتیب می توان گفت که آن دارو برای آن بیمار که آن ویژگی مولکولی را در پاسخ به درمان نشان داده داروی ویژه سازی شده است. در این مدل مدت درمان بیمار براساس آن زیست نشانگر برنامه ریزی می شود. برای مثال هدف درمان در این بیمار می تواند جهش ژنتیکی خاصی باشد که مانع رونویسی تکه ای از کروموزوم می شود. بنابراین درمان ویژه سازی شده نوعی درمان هدفمند است که روی گروه اندکی از بیماران که نسبت به درمان، آن پاسخ مولکولی خاص (زیست نشانگر) را نشان می دهند تجویز می شود. اما برای تصحیح ژنتیکی هنوز راه درازی در پیش داریم. در این شیوه ویرایش ژن برپایه فناوری کریسپر-کاس9 (Crisper-Cas9) استوار است و تا به امروز در سطح آزمایشگاهی نتایج خوبی به دست آورده است. از اهداف آینده پروژه نقشه وابستگی سرطان دقیقا کمک به این روش درمان است که می تواند ژن های معیوب را غیرفعال یا آنها را با ژن های سالم جایگزین کند اما هنوز این آزمایش ها به سطح قابل قبولی از اطمینان بخشی نرسیده که بخواهیم ژن های سرطان را با این روش تصحیح کنیم.

هدا عربشاهی - دانش / روزنامه خبرنگاران