Ein neu entwickeltes Rechenmodell, das individuelle Transkriptomdaten mit dynamischer Simulation von Zellsignalen kombiniert, ermöglichte die Einteilung von 30 Probanden in vier Risikogruppen für Brustkrebs. Die Gruppe mit dem höchsten Risiko wies eine mediane krankheitsfreie Zeit von 6,05 Jahren auf, was signifikant kürzer ist als bei den übrigen Gruppen.
Hintergrund
Brustkrebs ist die häufigste Krebserkrankung bei Frauen und eine führende Todesursache. Bestehende Risikobewertungsmodelle, etwa das Gail‑Modell, beruhen ausschließlich auf klinischen und demografischen Faktoren und berücksichtigen keine molekularen Mechanismen, wodurch ihre Aussagekraft für personalisierte Präventionsstrategien begrenzt ist.
Methodik
Die Forschenden integrierten für jeden Probanden dessen Transkriptomdaten in ein dynamisches Modell des MAPK‑Signalwegs. Durch Simulationen wurden zeitabhängige Aktivitätsprofile von Schlüsselproteinen wie phosphoryliertem ERK, phosphoryliertem RSK und c‑Fos generiert. Aus diesen Profilen wurden Merkmale extrahiert, die anschließend zur Clusterbildung dienten.
Studienkohorte
Die Analyse umfasste 30 Personen, von denen 15 im Verlauf der Beobachtungszeit Brustkrebs entwickelten. Alle Probanden stellten vollständige Transkriptomdaten zur Verfügung, die als Basis für die individuellen Simulationen dienten.
Ergebnisse
Die algorithmische Clusterung ergab vier Risikogruppen mit signifikant unterschiedlichen krankheitsfreien Intervallen. Die Hochrisikogruppe, gekennzeichnet durch eine ausgeprägte MAPK‑Aktivität, zeigte die kürzeste mediane krankheitsfreie Zeit von 6,05 Jahren. Die übrigen Gruppen wiesen längere Intervalle auf, wobei die Unterschiede statistisch signifikant waren.
Interpretation der Risikogruppen
Die Identifikation einer hyperaktiven MAPK‑Signalgebung als Kennzeichen des Hochrisikos legt nahe, dass dynamische Wechselwirkungen zwischen Signalwegkomponenten zusätzliche Informationen liefern, die über statische Genexpressionsprofile hinausgehen.
Bedeutung für die Prävention
Die Studie demonstriert, dass die Kombination von Transkriptomdaten mit dynamischer Signalwegsimulation ein vielversprechendes Werkzeug zur personalisierten Risikobewertung darstellen kann. Durch die frühzeitige Erkennung hochriskanter Profile könnten gezielte Präventionsmaßnahmen entwickelt werden.
Ausblick
Zukünftige Forschungen sollen die Methode an größeren Kohorten testen und prüfen, ob die Integration weiterer Signalwege die Vorhersagegenauigkeit weiter erhöht.
Dieser Bericht basiert auf Informationen von PLOS ONE, lizenziert unter Creative Commons BY 4.0 (Open Access). Wissenschaftliche Inhalte, offen zugänglich.
Ende der Uebertragung