Większość komórek rakowych wyhodowanych w naczyniu ma niewiele wspólnego z komórkami rakowymi u ludzi, wynika z badań

Większość komórek rakowych wyhodowanych w naczyniu ma niewiele wspólnego z komórkami rakowymi u ludzi, wynika z badań

Aby znaleźć lub udoskonalić laboratoryjne modele badawcze raka, które lepiej porównują z tym, co dzieje się u żywych ludzi, naukowcy z Johns Hopkins Medicine donoszą, że opracowali nową technikę komputerową pokazującą, że ludzkie komórki rakowe wyhodowane na naczyniach hodowlanych są najmniej podobne genetycznie do ich ludzkich źródeł. Odkrycie, jak twierdzą, powinno pomóc skoncentrować więcej zasobów na modelach badań nad rakiem, takich jak genetycznie zmodyfikowane myszy i trójwymiarowe kulki ludzkiej tkanki znane jako „guzoidy”, aby lepiej ocenić biologię i leczenie raka u ludzi oraz błędy genetyczne odpowiedzialne za wzrost i postęp raka . „Może nie być zaskoczeniem dla naukowców, że linie komórek rakowych są genetycznie gorsze od innych modeli, ale byliśmy zaskoczeni, że genetycznie zmodyfikowane myszy i guzoidy radziły sobie tak dobrze w porównaniu” – mówi dr Patrick Cahan, profesor nadzwyczajny inżynieria biomedyczna na Uniwersytecie Johnsa Hopkinsa i Szkole Medycznej Uniwersytetu Johnsa Hopkinsa oraz główny badacz nowego badania. Nowa technika, nazwana CancerCellNet, wykorzystuje modele komputerowe do porównania sekwencji RNA modelu badawczego z danymi z atlasu genomu raka, aby porównać, jak bardzo te dwa zestawy są ze sobą zgodne. Naukowcy odkryli, że genetycznie zmodyfikowane myszy i guzoidy mają sekwencje RNA najbardziej zbliżone do danych wyjściowych atlasu genomu w 4 na 5 badanych typów nowotworów, w tym raka piersi, płuc i jajnika. Badacze twierdzą, że ich praca stanowi dowód na to, że linie komórek rakowych hodowane w laboratorium mają mniejszą zgodność z ludzkim źródłem ze względu na złożone różnice między środowiskiem naturalnym komórki ludzkiej a środowiskiem wzrostu laboratoryjnego. „Kiedy wyjmiesz guzy z ich naturalnego środowiska, linie komórkowe zaczynają się zmieniać” – mówi Cahan. Naukowcy na całym świecie polegają na szeregu modeli badawczych, aby lepiej zrozumieć biologię raka i innych chorób oraz opracować metody leczenia schorzeń. Wśród najszerzej stosowanych modeli badań nad rakiem są linie komórkowe tworzone przez ekstrakcję komórek z ludzkich guzów i hodowanie ich z różnymi składnikami odżywczymi w kolbach laboratoryjnych. Naukowcy wykorzystują również myszy, które zostały genetycznie zmodyfikowane do rozwoju raka. W innych przypadkach wszczepiają myszom ludzkie guzy w procesie zwanym przeszczepem ksenogenicznym lub używają guzoidów. Aby ocenić, jak dobrze którykolwiek z tych modeli badawczych pasuje do tego, co może się dziać u ludzi, naukowcy często przeszczepiają komórki wyhodowane w laboratorium lub komórki z guzoidów lub heteroprzeszczepów myszom i sprawdzają, czy komórki zachowują się tak, jak powinny – to znaczy rosną i rozprzestrzeniają się. i zachować genetyczne cechy raka. Jednak naukowcy z Johns Hopkins twierdzą, że proces ten jest kosztowny, czasochłonny i naukowo trudny. Celem nowej pracy było opracowanie podejścia obliczeniowego do oceny modeli badawczych w mniej kłopotliwy i dokładny sposób. Raport z prac został opublikowany 29 kwietnia w Genome Medicine, a naukowcy złożyli wniosek o tymczasowy patent na to, co nazwali CancerCellNet. Nowa technika opiera się na informacji genetycznej o komórkowym RNA, molekularnym łańcuchu substancji chemicznych podobnych do DNA oraz pośrednim zestawie instrukcji komórek wykorzystywanych do tłumaczenia DNA na produkcję białek. „RNA jest całkiem dobrym substytutem typu komórki i tożsamości komórki, które są kluczem do ustalenia, czy komórki opracowane w laboratorium przypominają ich ludzkie odpowiedniki” – mówi Cahan. „Dane dotyczące ekspresji RNA są bardzo wystandaryzowane i dostępne dla naukowców, a także mniej podatne na różnice techniczne, które mogą zafałszować wyniki badań”. Najpierw Cahan i jego zespół musieli wybrać standardowy zestaw danych, który posłużył jako punkt odniesienia do porównania modeli badawczych. Dane z The Cancer Genome Atlas służyły jako tak zwane dane „treningowe”, które obejmują informacje o ekspresji RNA z setek próbek guzów pacjentów oraz odpowiadające im stadium, stopień i inne informacje dotyczące guza. Przetestowali również swoje narzędzie CancerCellNet, stosując je do danych, w przypadku których typ nowotworu był już znany, takich jak Międzynarodowe Konsorcjum Sekwencjonowania Genomu Człowieka. Członkowie zespołu badawczego przeszukali dane The Cancer Genome Atlas, aby określić 22 typy guzów do zbadania. Wykorzystali dane z atlasu genomu jako punkt odniesienia do porównania danych dotyczących ekspresji RNA z 657 linii komórek rakowych hodowanych w laboratoriach na całym świecie, z których niektóre powstały dekady temu, 415 heteroprzeszczepów, 26 genetycznie zmodyfikowanych modeli myszy i 131 guzoidów. Zauważa, że ​​w jednym z przykładów z badania komórki raka prostaty z linii o nazwie PC3 zaczynają wyglądać bardziej genetycznie jak rak pęcherza moczowego. Jest również możliwe, mówi, że linia komórkowa była pierwotnie nieprawidłowo oznakowana lub mogła pochodzić z raka pęcherza. Ale najważniejsze było to, że z genetycznego punktu widzenia, linia komórek raka prostaty nie była reprezentatywnym substytutem tego, co dzieje się u typowego człowieka z rakiem prostaty. Badacze odkryli, że stosując metodę punktacji 0-1, linie komórkowe miały średnio niższe dopasowanie punktacji do danych atlasowych niż guzoidy i heteroprzeszczepy. Cahan mówi, że on i jego zespół dodadzą dodatkowe dane z sekwencjonowania RNA, aby poprawić niezawodność CancerCellNet. Finansowanie badań zostało zapewnione przez National Institutes of Health’s National Cancer Institute (P50CA228991, CA233255-01, CA214253), nagrodę Prostate Cancer Foundation Young Investigator Award, Department of Defense (W81XWH-17-PCRP-HD) oraz National Instytuty Zdrowia/National Cancer Institute (P20 CA233255-01, CA214253). Inni naukowcy, którzy przeprowadzili badania, to Da Peng, Rachel Gleyzer, Wen-Hsin Tai, Pavithra Kumar, Qin Bian, Bradley Isaacs, Stephanie Cai i Kathleen DiNapoli z Johns Hopkins; Edroaldo Lummertz da Rocha z Federalnego Uniwersytetu Santa Catarina w Brazylii; oraz Franklin Huang z Uniwersytetu Kalifornijskiego w San Francisco.

science