Naar de content

Met de pc tumorcellen opsporen

Bill Branson, National Cancer Institute

Een wiskundig model om kankeronderzoek sneller en makkelijker te maken. Dat ontdekte een groep bio-informatici (mensen die met computerprogramma’s biologie bedrijven) van Cold Spring Harbor Laboratory in de Verenigde Staten. Met het wiskundige programma kunnen de genen van een tumor snel herkend worden, waardoor de ziekte sneller en dus effectiever bestreden kan worden.

Hun artikel verscheen in het wetenschappelijke tijdschrift PNAS. Door de steeds beter wordende technologie kun je tegenwoordig heel snel en relatief goedkoop de genenindeling van een organisme te weten komen. Maar als je eenmaal dit genoom hebt, zit je met een probleem: het analyseren van de informatie en kijken wat voor patronen erin zitten kost veel meer tijd.

Terwijl die patronen en andere info juist waardevol zijn. Daarmee zijn immers de afwijkingen te zien, de risico’s op erfelijke ziekten, de aanleg voor overgewicht of verslaving, noem maar op. Op dit moment ligt er dus veel uitgeschreven geneninformatie niets te doen. Bij veelvoorkomende en gevaarlijke ziektes, zoals kanker, is dat helemaal vervelend.

Bill Branson, National Cancer Institute

Afwijkend patroon

Daarom wilde Alexander Krasnitz, hoofd van dit onderzoek, proberen om die analyse sneller te kunnen doen bij kankercellen. Hij bedacht een algoritme dat bepaalde patronen herkend in de genenvolgorde. Tumoren laten namelijk vaak een afwijkend patroon zien. Soms ontbreken er hele stukken DNA, of er worden bepaalde stukken ongewoon vaak achter elkaar herhaald. Deze afwijkingen noemen de onderzoekers intervallen, en ze spelen de hoofdrol in hun computerprogramma.

Door deze intervallen te vergelijken met de genetische code van normale, gezonde cellen, kunnen onderzoekers elke groep genen snel herkennen als gezond of ongezond. Daardoor is snel een tumor te ontdekken. Het algoritme kan specifiek worden gemaakt, zodat het bijvoorbeeld alleen levercellen vergelijkt. Maar het werkt ook als je ‘zoekopdracht’ heel algemeen is en je het hele menselijke genoom wil bekijken.

Verzamelingen

De wiskunde achter het algoritme heeft veel te maken met verzamelingenleer. Twee groepen cellen met elkaar vergelijken is namelijk niet makkelijk; daarvoor moet je heel precies formuleren welke twee verzamelingen je vergelijkt. Daarnaast moet je kijken hoe je ze vergelijkt en welke delen van een genenrij je wel of niet mag meenemen, om je vergelijking te laten kloppen. Dat deden Krasnitz en collega’s – gezien de werkzaamheid van het algoritme – echter keurig.

Ook als de tumor zich al verder heeft verspreid, of de kanker is uitgezaaid, kan het algoritme volgens de makers nog uitkomst bieden. Zo kunnen kankercellen uit verschillende delen van het lichaam snel gecheckt worden, om te kijken of ze inderdaad uit dezelfde bron afkomstig zijn (en eventueel uit te vinden wat die bron dan is).

In het lab

Tot nu toe hebben de onderzoekers hun algoritme alleen nog in het lab getest. Daar keken ze telkens naar groepjes van honderd kankercellen en kon het algoritme telkens een significante hoeveelheid van deze cellen herkennen als ziek. Nu moeten ze nog zien of het in de praktijk net zo makkelijk en goed gaat werken als in de ideale omstandigheden van het laboratorium.

Bron:

Krasnitz, A. e.a., Target inference from collections of genomic intervals, PNAS (3 juni 2013). DOI:010.1073/pnas.130690911