שיטה חישובית בשם scSurv, שפותחה על ידי חוקרים במכון המדע של טוקיו, מקשרת תאים בודדים לתוצאות המטופלים באמצעות נתוני רצף RNA בתפזורת זמינים. הגישה משתמשת במערכי מידע של תא בודד יחד עם נתוני הישרדות של חולים כדי להסיק את התרומות של תאים בודדים בתוך רקמות מורכבות. המודל זיהה אוכלוסיות תאים הקשורות להישרדות במספר סוגי סרטן, והציע דרך לחשוף תאים מניעי מחלות ולתמוך בפיתוח אסטרטגיות טיפול ממוקדות יותר.
מה אם מדענים יכלו לזהות את התאים המדויקים שאחראים להניע מחלה? בגידול, למשל, ישנם אלפי תאים בודדים, שלכל אחד מהם תפקיד ייחודי בהנעת התקדמות המחלה או בהתנגדות לטיפול. זיהוי אילו תאים מקדמים מחלה ואילו מסייעים במניעתן עשוי לסייע בהנחיית אסטרטגיות טיפול עתידיות.
ניתוח כזה ברמת תא בודד מתאפשר כעת עם התקדמות בטכנולוגיות ריצוף תא בודד, המאפשרות לחוקרים למדוד את ביטוי הגנים של תאים בודדים ולהשיג תובנות לגבי התנהגותם ותפקודם. על ידי קישור המידע הסלולרי הזה לתוצאות המטופלים, החוקרים יכולים להתחיל להבין כיצד תאים בודדים משפיעים על התקדמות המחלה.
עם זאת, מערכי נתונים המשלבים מידע על תא בודד עם תוצאות קליניות עדיין מוגבלות יחסית. לעומת זאת, כמויות גדולות של נתוני רצף חומצה ריבונוקלאית (RNA) מרקמות המכילות מגוון מגוון של תאים זמינות באופן נרחב.
חוקרים מהמכון למדע טוקיו (Science Tokyo), יפן, פיתחו שיטה חישובית המשתמשת בנתוני רצף RNA חד-תא כהתייחסות להערכת הפרופורציות והתרומות של תאים בודדים מנתוני רצף RNA בתפזורת ולקבוע כיצד הם עשויים להשפיע על תוצאות המטופל. המודל שלהם, הנקרא scSurv, יכול לעזור להנחות אסטרטגיות טיפול מותאמות אישית יותר.
השיטה הופעלה באינטרנט ב-22 בדצמבר 2025, ופורסמה בכרך 42, גיליון 1 של כתב העת ביואינפורמטיקה ב-13 בינואר 2026, והטמעתו זמינה גם כחבילת Python בקוד פתוח ב-GitHub וב-Zenodo.
את קבוצת המחקר הובילו פרופסור טפי שימאמורה והסטודנטית לתואר שני צ'יקארה מיזוקושי מהמחלקה לביולוגיה חישובית ומערכות, החטיבה למדעי נתונים ביולוגיים, מעבדת מחקר רפואי, המכון למחקר משולב, מדע טוקיו, יחד עם ד"ר יאסוהירו קוג'ימה, ראש המעבדה למדעי החיים החישוביים, מרכז הסרטן הלאומי ומכון המחקר של טוקיו באותה המחלקה למחקר, יפן.
אנו מציגים את המתודולוגיה הראשונה לכמת את התרומות של תאים בודדים לתוצאות הקליניות. השיטה מזהה אוכלוסיות תאים רלוונטיות פרוגנוסטית וגנים קשורים, עם יישומים פוטנציאליים בגילוי מטרות טיפוליות וזיהוי סמנים ביולוגיים, ובכך מספקת בסיס לרפואה מדויקת תוך מינוף רצף RNA בתפזורת ומערכי נתונים קליניים."
פרופסור טפי שימאמורה, המחלקה לביולוגיה חישובית ומערכות, החטיבה למדעי נתונים ביולוגיים, מעבדת מחקר רפואי, המכון למחקר משולב, מדע טוקיו
scSurv משתמש בנתוני רצף RNA חד-תא כהתייחסות לנתוני רצף RNA deconvolute מדגימות בתפזורת ולהעריך את הפרופורציות של מצבי תאים סמויים, שהם קבוצות של תאים עם דפוסי ביטוי גנים דומים, הקיימים בכל דגימה. התרומות של מצבי תאים אלה מקושרות לאחר מכן לתוצאות המטופלים באמצעות מודל סיכונים פרופורציונליים מורחב של Cox שמתחשב בנתוני הישרדות המטופל. שיטת ניתוח הישרדות זו מעריכה עד כמה כל מצב תא תורם לסיכון הקליני. לאחר מכן, המודל ממפה את תרומות הסיכון הללו בחזרה לתאים בודדים השייכים לאותן מדינות כדי להסיק את השפעתם על תוצאות המטופל.
לאחר הכשרה, המודל הצליח להעריך את תרומתם של יותר מ-10,000 תאים בודדים לסיכון ולפרוגנוזה למחלה. זה גם יכול לזהות גנים הקשורים להתקדמות המחלה ולמפות אזורים שונים בתוך רקמות בהתאם לסיכון הקליני הפוטנציאלי שלהם.
באמצעות נתונים מ-The Cancer Genome Atlas, המודל חזה בהצלחה את הישרדות החולים על פני מספר סוגי סרטן, כולל חולים שלא נעשה בהם שימוש בנתונים שלהם במהלך האימון. השיטה זיהתה גם תאים בודדים הקשורים לתוצאות המטופל במלנומה וזיהתה תאים חיסוניים הנקראים מקרופאגים הידועים כקשורים לתוצאות הישרדות שונות. החוקרים הצליחו גם למפות את הסיכון לרקמת גידול המושפעת מקרצינומה של תאי הכליה, סוג של סרטן כליה, ולגלות אזורים הקשורים בסיכון גבוה או נמוך יותר. החוקרים גם בדקו את הגישה באמצעות מערכי נתונים של מחלות זיהומיות, והדגישו את הרבגוניות שלה לחקר מחלות מעבר לסרטן.
"ממצאים אלו מצביעים על כך ש-scSurv עשוי לתרום לניתוח תוצאות קליניות מתקדם יותר ולגילוי מטרות טיפוליות", אומר פרופ' שימאמורה.
על ידי בחינת התרומות של תאים בודדים למחלות, החוקרים יכולים לקבל הבנה טובה יותר של מנגנוני המחלה ברמה התאית, ובסופו של דבר לתמוך בפיתוח כלי אבחון מדויקים יותר וטיפולים מותאמים אישית.
