जीनोममधील प्राचीन विषाणूजन्य डीएनए एएमएलमधील केमोथेरपी प्रतिसादाचा अंदाज लावण्यास मदत करू शकतो

तीव्र मायलॉइड ल्युकेमियावर उपचार करणाऱ्या डॉक्टरांकडे अजूनही उपचार सुरू होण्यापूर्वी रुग्णाच्या कर्करोगावर केमोथेरपीचा परिणाम होईल की नाही हे जाणून घेण्याचा विश्वासार्ह मार्ग नाही. किंग्स कॉलेज लंडनच्या एका नवीन अभ्यासाने अनपेक्षित सूत्रांचा उल्लेख केला आहे: लाखो वर्षांपूर्वी मानवी जीनोममध्ये कायमस्वरूपी राहिलेल्या प्राचीन विषाणूंचे तुकडे. Blood Neoplasia मध्ये प्रकाशित झालेल्या संशोधनानुसार, त्या विषाणूजन्य अवशेषांबद्दलची माहिती मशीन-लर्निंग मॉडेल्समध्ये दिल्याने कोण उपचारांना प्रतिसाद देईल याचा अंदाज लावण्यात मॉडेल्स लक्षणीयरीत्या सुधारले.

सोप्या उत्तरांना प्रतिकार करणारा रक्ताचा कर्करोग

तीव्र मायलॉइड ल्युकेमिया, किंवा एएमएल, अस्थिमज्जामध्ये सुरू होते, जिथे शरीर रक्तपेशी तयार करते. हा एक आक्रमक कर्करोग आहे, आणि केमोथेरपी मानक उपचारांचा मध्यवर्ती भाग राहते. तरीही वैद्यकीय चित्र निराशाजनकपणे अनिश्चित आहे. अनेक चाचण्या केल्यानंतरही, कोणत्या रुग्णांना माफी मिळेल आणि कोणाला नाही हे डॉक्टर आत्मविश्वासाने सांगू शकत नाहीत.

मोठ्या प्रमाणात रुग्णांमध्ये तथाकथित रिफ्रॅक्टरी एएमएल विकसित होते. हे व्यक्ती केमोथेरपीतून जातात परंतु पूर्ण माफी कधीच गाठत नाहीत, म्हणजे उपचार असूनही आजार टिकून राहतो. त्या रुग्णांना आगाऊ ओळखल्यास काळजी संघांना लवकरच वेगवेगळ्या रणनीतींचा विचार करण्यास, काम करण्याची शक्यता नसलेल्या उपचारांच्या दुष्परिणामांपासून लोकांना वाचविण्यास आणि त्यांना लवकर पर्यायांकडे वळविण्यास अनुमती मिळेल. डॉक्टर जे मोजू शकतात आणि ज्याचा अंदाज लावू शकतात यातील ही दरी किंग्स कॉलेज लंडन संघाने भरून काढण्याचा प्रयत्न केला.

अनेक प्रकारच्या डेटामधून शिकणारी मॉडेल्स तयार करणे

संशोधकांनी मशीन लर्निंगकडे वळले, तीन मल्टिलेयर मॉडेल्स तयार केली आणि प्रत्येकाला उत्तरोत्तर समृद्ध माहितीसंचांवर प्रशिक्षित केले. एकाच मापनावर किंवा एकाच चाचणी निकालावर अवलंबून न राहता, या दृष्टिकोनामुळे संघाला नवीन डेटा श्रेणी जोडल्यास अंदाज कार्यक्षमता सुधारते का हे तपासता आले.

अभ्यासात मानक केमोथेरपी घेतलेल्या एएमएल असलेल्या 271 रुग्णांच्या नोंदी वापरल्या. डेटा अनेक क्षेत्रांमध्ये पसरलेला होता:

• नियमित काळजीच्या ओघात गोळा केलेली वैद्यकीय माहिती
• रुग्णांच्या आजाराचे वर्णन करणारी जैविक आणि आण्विक मापने
• एंडोजेनस रेट्रोव्हायरस, किंवा ईआरव्ही, यांच्या क्रियाकलापाचे वर्णन करणारा डेटा, जो जीनोममध्ये अंतर्भूत वारशाने मिळालेला विषाणूजन्य अनुक्रम आहे

ही स्रोत एकत्र स्तरित करून, संघ प्रत्येक जोडणीने काय योगदान दिले हे पाहू शकला. ईआरव्ही वर्तन समाविष्ट केलेली आवृत्ती पूर्वीच्या आवृत्त्यांपेक्षा चांगली कामगिरी करत होती, ज्यावरून असे सूचित होते की या प्राचीन अनुक्रमांच्या क्रियाकलापात उपचार प्रतिसादाबद्दल माहिती असते जी पारंपारिक डेटा एकट्याने कॅप्चर करत नाही.

एंडोजेनस रेट्रोव्हायरस काय आहेत?

दूरच्या भूतकाळातील संसर्गांचे जीवाश्म

ईआरव्ही हे लाखो वर्षांपूर्वी आपल्या उत्क्रांतीच्या पूर्वजांना संसर्ग करणाऱ्या विषाणूंचे अनुवांशिक अवशेष आहेत. कालांतराने, ते विषाणूजन्य अनुक्रम जर्मलाइनमध्ये कॉपी केले गेले आणि पिढ्यानपिढ्या पुढे गेले, मानवी डीएनएचा कायमस्वरूपी भाग बनले. ते जीनोमच्या नॉनकोडिंग प्रदेशांमध्ये बसतात — असे विभाग जे प्रथिनांच्या बांधणीला थेट सूचना देत नाहीत. यातील काही भाग अजूनही अल्प समजला जातो आणि कधीकधी अनौपचारिकपणे "डार्क जीनोम" म्हटले जाते.

हे अनुक्रम केवळ निष्क्रिय मलबा नाहीत. ईआरव्ही अनेक जैविक प्रक्रियांवर प्रभाव टाकू शकतात, ज्यात कोणते जीन सुरू आहेत आणि रोगप्रतिकारक संकेत कसा चालवला जातो यांचा समावेश आहे. जीनोममधील त्यांच्या उपस्थितीचा अर्थ असा की ते पेशी कशी वागते यावर परिणाम करण्याची क्षमता टिकवून ठेवतात, जरी ते आता कार्यरत विषाणू तयार करत नसले तरी.

विषाणूजन्य अनुकरण आणि प्रतिकाराची मुळे

संघाच्या निष्कर्षांनी संशोधक "विषाणूजन्य अनुकरण" म्हणतात त्या यंत्रणेकडे निर्देश केला. या परिस्थितीत, पेशी विषाणूजन्य संसर्ग सुरू असल्यासारखी वागते, जरी तो अस्तित्वात नसला तरी. चुकीच्या दिशेने दिलेला प्रतिसाद रोगप्रतिकारक आणि दाहक संकेत सुरू करू शकतो, आणि संशोधक सुचवतात की ही क्रिया काही एएमएल पेशींमध्ये दिसणारी उपचार-प्रतिरोधक स्थिती टिकवून ठेवण्यास मदत करू शकते.

दुसऱ्या शब्दांत, जे अनुक्रम एकेकाळी प्राचीन संसर्गांचे चिन्ह होते तेच आधुनिक समस्येस कारणीभूत ठरू शकतात: केमोथेरपीतून वाचलेल्या ल्युकेमिया पेशी. संघाने ईआरव्ही-संबंधित वर्तन आणि खराब उपचार प्रतिसाद यांच्यात पाहिलेला संबंध त्या कल्पनेशी जुळतो, जरी अभ्यास कारण नव्हे तर संबंध स्थापित करतो.

काय सुधारले — आणि त्याचा अर्थ काय

मॉडेलिंग कार्यातून दोन निकाल ठळकपणे दिसतात. प्रथम, जीनोममधील प्राचीन विषाणूजन्य अनुक्रमांचे वर्तन केमोथेरपीला खराब प्रतिसादाशी संबंधित होते. दुसरे, जेव्हा ती ईआरव्ही माहिती इतर वैद्यकीय आणि जैविक डेटासह एकत्र केली गेली, तेव्हा कोण उपचारांना प्रतिसाद देईल हे ओळखण्याची मॉडेलची क्षमता सुधारली.

अंतिम मॉडेलने पर्यायांपेक्षा कमी खोटे सकारात्मक निकाल देखील दिले. या संदर्भात खोटे सकारात्मक म्हणजे मॉडेलने अंदाज लावला की रुग्णाला रिफ्रॅक्टरी एएमएल असेल जेव्हा त्या व्यक्तीने प्रत्यक्षात उपचारांना प्रतिसाद दिला असता. त्या त्रुटी कमी करणे महत्त्वाचे आहे, कारण केमोथेरपीची चुकीची निराशा करणारा अंदाज रुग्णाला मदत करणाऱ्या उपचारापासून दूर ढकलू शकतो.

उरलेले प्रश्न

संशोधक त्यांच्या निकालांच्या मर्यादांबद्दल सावध आहेत. एक प्रमुख अनिराकृत प्रश्न असा आहे की ईआरव्ही क्रिया थेट केमोथेरपी प्रतिकारशक्ती निर्माण करते की ती फक्त काही सखोल प्रक्रियेचे चिन्ह म्हणून त्यासोबत प्रवास करते. त्याचे उत्तर देण्यासाठी पुढील संशोधन आवश्यक आहे. जर संबंध कारणात्मक असेल, तर विषाणूजन्य अवशेष अखेरीस नवीन हस्तक्षेपांसाठी लक्ष्य बनू शकतात. जर ते चिन्ह असेल, तर अनुक्रम अजूनही उपयुक्त अंदाज संकेत म्हणून काम करू शकतात.

अभ्यासात मानक केमोथेरपी घेतलेल्या 271 रुग्णांचा निश्चित गट समाविष्ट होता, आणि मशीन-लर्निंग मॉडेल्स तेवढीच मजबूत असतात जेवढा त्यांना प्रशिक्षित आणि प्रमाणित करण्यासाठी वापरलेला डेटा असतो. यापैकी काहीही नियमित वैद्यकीय वापरात येण्यापूर्वी मोठ्या आणि अधिक विविध रुग्ण लोकसंख्येत व्यापक प्रमाणीकरण आवश्यक असेल.

हा शोध का महत्त्वाचा आहे

एएमएल हा असा आजार आहे जिथे वेळ आणि उपचार निवडीचे खरे परिणाम असतात. रिफ्रॅक्टरी आजाराचा अंदाज लावण्यास मदत करणारे साधन — जरी अपूर्ण — अखेरीस काळजीची योजना कशी केली जाते हे बदलू शकते, रुग्णांना लवकर पर्यायांकडे वळवू शकते आणि इतरांना माफी आणण्याची शक्यता नसलेल्या उपचारांच्या अनावश्यक संपर्कातून वाचवू शकते.

कदाचित या कामाचा सर्वात आश्चर्यकारक पैलू म्हणजे संकेत कुठे सापडला. जीनोमचा विषाणूजन्य वारसा, ज्याला बर्याच काळापासून डीएनएच्या नॉनकोडिंग भागात लपलेला उत्क्रांतीचा कचरा म्हणून दुर्लक्षित केले गेले आहे, तो रक्ताचा कर्करोग उपचारांना कसा प्रतिसाद देतो यासंबंधी माहिती ठेवत असल्याचे दिसते. हे "डार्क जीनोम"ला वाचनीय संग्रहाच्या जवळचे काहीतरी म्हणून पुन्हा मांडते — ज्याचा अर्थ लावण्यासाठी मशीन लर्निंग शेवटी सुसज्ज असू शकते.

हा लेख Medical Xpress च्या अहवालावर आधारित आहे. मूळ लेख वाचा.