SPRINTER היא שיטה חדשנית המסיקה שיעורי התפשטות מנתוני גנומיקה של תא בודד, ושופכת אור על התפתחות הגידול
במחקר שפורסם לאחרונה ב גנטיקה של הטבעצוות גדול של חוקרים, כולל חברי קונסורציית TRACERx ו-PEACE, עיצב אלגוריתם בשם Single-cell Proliferation Rate Inference in Non-homogenous Tumors through Evolutionary Routes או SPRINTER כדי לנתח נתונים גנומיים חד-תאיים, תוך התמקדות בהתנהגות ההתרבות של תאים סרטניים. המחקר גם חקר את השונות בשגשוג התאים על פני שיבוטים של גידולים שונים מבחינה גנטית.
לגבי המחקר
במחקר הנוכחי, החוקרים השתמשו באלגוריתם SPRINTER כדי לחקור את התפשטות תאי הסרטן ברמת תא בודד. המחקר גם שילב טכניקות רצף מתקדמות כדי לחקור את יחסי הגומלין בין מוטציות גנטיות, דינמיקה של מחזור התא ואבולוציה של סרטן, תוך מתן תובנות לגבי פוטנציאל גרורתי.
SPRINTER משתמש בנתוני רצף גנום שלם של תא בודד כדי לסווג תאי גידול לשלבים שונים של מחזור תאים, כגון S-phase ו-G2-phase, ומקצה אותם לשבטים גנטיים ספציפיים. הגישה כללה מספר חידושים מתודולוגיים כדי להתגבר על מגבלות הטכניקות הקיימות.
המחקר הסתמך על נתוני ריצוף של חומצה דאוקסיריבונוקלאית (DNA) חד-תאית (scDNA-seq) והתמקד בתזמון השכפול, המהווה אינדיקטור למועד שבו משתכפלים אזורים גנומיים ספציפיים במהלך מחזור התא. SPRINTER משתמש בשיטה מיוחדת כדי להתאים לשגיאות הנגרמות משכפול DNA, ומאפשרת לו למדוד את פעילות התא בצורה מדויקת. הוא בוחן חלקים מה-DNA שמשתכפלים מוקדם או מאוחר ומשתמש במידע זה כדי למיין ולהקצות תאים פעילים (פאזה S).
החוקרים הסבירו שהתהליך כולל שישה שלבים – זיהוי דפוסי שכפול, ניתוח שינויים במבנה ה-DNA, איתור תאים פעילים, קיבוץ תאים דומים לשבטים, התאמת תאים לשבטים לאחר תיקון להשפעות שכפול וזיהוי תאים פעילים אחרים (שלב G2). זה עוזר למפות את המהירות שבה צומחים קבוצות שונות של תאים סרטניים.
המחקר התמקד בסרטן ריאות של תאים לא קטנים ואישר את הדיוק של SPRINTER על ידי השוואת ממצאיו עם בדיקות אחרות כגון הדמיה וצביעה Ki-67. SPRINTER נבדק גם על סרטן השד והשחלות כדי לקבוע אם הוא יצליח עם סוגי סרטן שונים. המחקר שילב ניתוחים סטטיסטיים ומיפוי אבולוציוני כדי לחקור קשרים בין צמיחת תאים, שינויים גנטיים ויכולת גרורתית.
ממצאים מרכזיים
המחקר מצא ששיעורי התפשטות הסרטן משתנים באופן משמעותי בין שיבוטי הגידול, ו-SPRINTER זיהה את השיבוטים עם שגשוג גבוה כבעלי פוטנציאל גרורתי גדול יותר. ממצאים אלו היו עקביים על פני דגימות גידול ראשוני וגרורתי במערך הנתונים של סרטן ריאות של תאים לא קטנים. האלגוריתם גם חשף כי שיבוטים בעלי שגשוג גבוה נוטים להשיל יותר DNA של גידולים במחזור (ctDNA), שהוא סמן המקושר להתקדמות הסרטן.
יתרה מזאת, היכולת של SPRINTER לפתור הטרוגניות התפשטות בתוך גידולים הראתה שלשיבוטים שונים באתרים ראשוניים וגם באתרים גרורתיים יש דפוסי גדילה ייחודיים. לדוגמה, לשכפולים הקשורים לגרורות היו לעתים קרובות שיעורי שגשוג גבוהים בהשוואה לאחרים. ההטרוגניות הזו התעלמה בשיטות האומדן בתפזורת, מה שהדגיש את הדיוק של SPRINTER בהבחנה בין התנהגויות שגשוג.
במערך הנתונים של סרטן השד והשחלות, SPRINTER הוכיח כי שיבוטים בעלי שגשוג גבוה הכילו שיעורי מוטציה גנומית מוגברים, כולל וריאנטים חד-נוקלאוטידים, וריאנטים מבניים ושינויים במספר העתקים. ממצאים אלו תמכו בהשערה שחלוקת תאים מהירה תורמת להצטברות של שינויים גנומיים.
יתר על כן, SPRINTER קישר גם שינויים בתזמון השכפול עם שינויים בביטוי הגנים, במיוחד בגנים המעורבים בשגשוג וגרורות. שינויים כאלה היו בולטים יותר בשיבוטים בעלי שגשוג גבוה, מה שמצביע על קשר מכניסטי בין גורמים לא גנטיים והתנהגויות סרטן אגרסיביות.
מסקנות
לסיכום, המחקר הראה כי ריבוי הגידולים הוא הטרוגני ביותר והוא מונע על ידי גורמים גנטיים ולא גנטיים. הניתוח המפורט באמצעות האלגוריתם SPRINTER גילה כי שיבוטים בעלי שגשוג גבוה הם קריטיים להבנת גרורות סרטן והתקדמות.
יתר על כן, המחקר הראה כי שיבוטים אלו מציגים שינויים גנומיים ייחודיים ונשירת ctDNA מוגברת, המספקים סמנים ביולוגיים פוטנציאליים ליישומים קליניים. בסך הכל, המחקר הראה ש-SPRINTER מציע מסגרת חזקה לחקר אבולוציה של סרטן, וסוללת את הדרך לאסטרטגיות טיפוליות ממוקדות המבוססות על דינמיקת ריבוי ספציפית לשבטים.
