Ny metode gør identifikation af molekylære processer ved sygdom meget mere præcis

Sygdom og behandling 9. maj 2021 4 min Associate Professor Andreas Mund, Research director, professor Matthias Mann Skrevet af Kristian Sjøgren

Forskere har udviklet en metode til at identificere ubalance i cellers molekylære profiler og derved sikre en meget præcis forståelse af sygdom.

Interesseret i Sygdom og behandling? Vi kan holde dig opdateret helt gratis

Forskere fra Københavns Universitet og Max Planck Institute i Tyskland har udviklet en metode til at undersøge celler meget mere nøjagtigt og på den måde hjælpe læger til bedre forståelse af sygdomsmekanismer.

Metoden kaldes for Deep Visual Proteomics (DVP) og går i essensen ud på, at forskere identificerer syge celler i en vævsprøve og derefter laver en tilbundsgående undersøgelse af de syge cellers proteinlandskab.

Ved at kortlægge proteinlandskabet kan DVP assistere læger til en bedre og mere dybdegående forståelse af forskellige sygdomme og på den måde eventuelt også pege på mulige lægemidler, der kan hjælpe patienten.

"Når læger i dag skal stille en diagnose af eksempelvis kræft, kigger de på cellernes morfologi under et mikroskop eller undersøger koncentrationen eller forholdet mellem 10 til 20 proteiner. Med DVP kigger vi på det hele, hvilket vil sige mange tusinder af forskellige proteiner. Derfor kan vi meget bedre se, hvad der er gået galt i cellerne ved sygdom," forklarer en af de danske drivkræfter bag udviklingen af DVP, lektor Andreas Mund fra Novo Nordisk Foundation Center for Protein Research ved Københavns Universitet.

Forskningen er endnu ikke publiceret peer review, men er gjort tilgængelig via BioXRiv.

I dag har læger kun adgang til en fraktion af viden om sygdom

Når det gælder al sygdom, spiller proteinerne en helt central rolle. Proteinerne er cellernes udtryk, og ubalance i proteinlandskabet er ofte ensbetydende med sygdom. Det kan dreje sig om eksempelvis kræftsygdom, hjerte-kar-sygdom eller stofskiftesygdomme, hvor forholdet mellem forskellige proteiner er ude af balance.

Som det er i dag, når læger eksempelvis skal identificere, om en patient har kræft, undersøger lægen en vævsprøve fra den givne patient. Prøven undersøges både visuelt for at finde særlige morfologiske træk, men også molekylærbiologisk for at kigge efter specifikke kræft-særegne forandringer. Sidstnævnte kan gøres på væv eller i blodprøve.

Ved at udføre begge undersøgelser sammenholder lægen det synlige med det usynlige for bedre at stille en diagnose. Alligevel kratter lægen, som tingene ser ud i dag, kun i overfladen.

"Man kan tænke på det som et isbjerg. Cellens morfologiske træk såsom formen udgør den synlige del af isbjerget. Men det meste af isbjerget er stadig skjult under overfladen. Det er cellens molekylære profil, proteinlandskabet. Man kan ikke behandle en sygdom ordentligt, hvis man kun kan se toppen af isbjerget. Vi har brug for det fulde billede," forklarer Andreas Mund.

Laser og kunstig intelligens dissekerer vævsprøver

Med DVP bliver hele isbjerget synligt.

For det første tager forskerne et højtopløseligt mikroskopibillede af en vævsprøve. Derefter inddeler kunstig intelligens prøven i de forskellige celletyper baseret på cellernes morfologi.

De forskellige celletyper bliver derefter dissekeret ud af prøven ved hjælp af en computerstyret laser, og derefter separeres de med henblik på at få deres proteinlandskab analyseret af en såkaldt proteomics-maskine, der analyserer forholdet mellem alle proteinerne i en prøve.

Det giver forskerne en hidtil uhørt detaljegrad, når det gælder forståelsen af, hvilket proteinlandskab der kendetegner raskt væv og sygt væv – og hvad forskellene er.

"Dette har aldrig tidligere være gjort på proteinniveau. Vi har taget det bedste fra to verdener – mikroskopi og proteinforskning – og udviklet en metode, der er hundrede gange mere sensitiv end samtlige tidligere metoder," fortæller en anden af forskerne bag udviklingen af DVP, professor Matthias Mann, der ligeledes er fra Novo Nordisk Foundations Center for Protein Research.

Snart klar med værktøj til lægerne

Andreas Mund forklarer, at i takt med at viden om proteinudtrykket ved forskellige sygdomme bliver større, kan DVP hjælpe læger med at skræddersy særlige behandlingsforløb for de enkelte patienter. DVP vil kunne bidrage til at forudsige, hvordan patientens sygdomsforløb bliver, og hvordan vedkommende vil reagere på en given behandling.

Her skal man forestille sig, at lægen udtager en blod- eller vævsprøve fra patienten og sender den til analyse med DVP.

DVP gennemgår prøven og rapporterer tilbage om alt det, som stikker ud, og om hvad den bedst mulige behandlingstilgang måske vil være.

Ved eksempelvis kræftsygdom kan flere afarter af kræft komme til udtryk på samme måde, men de skal måske behandles forskelligt på baggrund af deres molekylære profil.

"Vi har arbejdet tæt sammen med klinikere for at udvikle et værktøj, som let kan implementeres i deres daglige arbejdsgang. Det her er et proof of concept, som vi nu arbejder hårdt på at kunne gøre tilgængeligt så hurtigt som muligt," siger Andreas Mund.

Kan hjælpe forskere med at identificere nye mål for lægemidler

Foruden at kunne hjælpe læger med at forstå forskellige sygdomme bedre kan DVP også være et betydeligt bidrag til forskning og lægemiddeludvikling.

Inden for forskningen kan DVP benyttes til at blive klogere på sygdomme ved at kortlægge, hvordan sygdommene kommer til udtryk på proteinniveau.

Det vil give læger et meget større indblik i de signalveje, som er i spil.

Viden om signalvejene og dysfunktion i cellerne kan også benyttes til at identificere nye mål for behandlinger. De fleste lægemidler er på den ene eller anden måde målrettet proteiner i cellerne.

Med en større indsigt i, hvordan kroppens mange tusinder af forskellige proteiner opfører sig under en given sygdom, kan lægemiddelindustrien opdage nye lægemiddelmål, som de kan udvikle medicin mod.

"Med DVP lukker vi hullet mellem klinikerne og forskerne og den enorme mængde data, som findes i og indsamles om proteinlandskaberne ved sygdom. Vi er stadig i færd med at gøre redskabet tilgængeligt for flere og flere mennesker. Det er, hvad vi arbejder hen imod," siger Andreas Mund.

"AI-driven Deep Visual Proteomics defines cell identity and heterogeneity" er udgivet i bioRxiv. Flere af artiklens forfattere er ansat på Novo Nordisk Foundation Center for Protein Research på Københavns Universitet.

The main research focus of the Clinical Proteomics Group headed by Professor Matthias Mann is to apply mass spectrometry (MS) based proteomics to unde...

Our eventual goal is to prevent the development of diseases such as the metabolic syndrome in the first place, by targeted and personalized life style...

Dansk
© All rights reserved, Sciencenews 2020