رادیوژنومیک؛ هم‌افزایی تصویربرداری پزشکی و اطلاعات ژنتیکی
در این مقاله
نوآوری در علوم ژنتیک و رادیولوژی
اُمیک چیست؟
اُمیک نام کلی شاخه‌هایی است که جنبه‌های مختلف سامانه‌های زیستی را به‌طور جامع مطالعه می‌کنند. ژنومیک، پروتئومیک و متابولومیک را در بر می‌گیرد و ساختار، کارکرد و برهم‌کنش زیست‌مولکول‌ها را تحلیل می‌کند.
رادیومیک چیست؟
رادیومیک فرایند استخراج حجم زیادی ویژگی کمّی از داده‌های تصویربرداری پزشکی و تحلیل آن‌هاست. این روش برای شناخت بهتر ناهمگنی و ویژگی‌های تومور استفاده می‌شود.
ژنومیک چیست؟
ژنومیک علم بررسی ساختار، کارکرد و برهم‌کنش تمام ماده ژنتیکی یک جاندار، یعنی ژنوم آن، است. پژوهش ژنومیک می‌خواهد کارکرد ژن‌ها، ارتباطشان با بیماری‌ها و اثر تفاوت‌های ژنتیکی فردی بر سلامت را بشناسد.
رادیوژنومیک چیست؟
رادیوژنومیک حوزه‌ای برای ادغام داده‌های تصویربرداری پزشکی و اطلاعات ژنومی و بررسی ارتباط آن‌هاست. این روش برای توسعه رویکردهای شخصی‌سازی‌شده درمان سرطان به کار می‌رود.
آیا رادیوژنومیک می‌تواند کلید پزشکی شخصی‌سازی‌شده باشد؟
رادیوژنومیک با تمرکز بر رابطه ژنوم و فنوتیپ تصویربرداری، برای بررسی ناهمگنی تومور و پیش‌بینی پاسخ ایمنی و پیشرفت بیماری به‌طور گسترده به کار می‌رود. پیامد اجتناب‌ناپذیر گرایش کنونی پزشکی شخصی‌سازی‌شده است، زیرا از توالی‌یابی ژنتیکی متعارف کم‌هزینه‌تر است و به‌جای نمونه محدود بیوپسی، به کل تومور دسترسی می‌دهد. با ارائه اطلاعات ژنتیکی از راه وُکسل‌ها، پیکسل‌های حجمی، ممکن است درمان شخصی برای تومور ناهمگن یا گروهی از تومورها را ممکن کند. افزون بر ارزیابی کمّی ویژگی ضایعه، می‌تواند توده خوش‌خیم و بدخیم و ویژگی‌های بیمار را تفکیک کند و با طبقه‌بندی بهتر بر اساس خطر بیماری، تصویربرداری و غربالگری دقیق‌تری فراهم سازد. در این مقاله کاربرد رادیوژنومیک در تشخیص، برنامه‌ریزی و ارزیابی درمان انکولوژی را با رویکرد چنداُمیکی توصیف می‌کنیم. همچنین چالش‌های این حوزه، دامنه روش‌ها و قابلیت اجرای بالینی آن‌ها را بررسی می‌کنیم.
دگرگونی سرنوشت پزشکی با انقلاب ژنوم
از انقلاب ژنوم در اوایل دهه 1990، پژوهش سرطان برای ممکن ساختن درمان‌های شخصی، بر علل بنیادی بیماری در سطح ژنتیکی تمرکز کرده است. پروژه ژنوم انسان که تکمیل شد، ژنومیک به سطحی کارکردی‌تر تحول یافت و بر نمایه بیان و نقش ژن‌ها و پروتئین‌ها متمرکز شد. شناخت ژنتیک سرطان، شیوه اندیشیدن درباره بیماری و درمان آن را تغییر داده است. برای طرح‌هایی مانند اطلس ژنوم سرطان (TCGA) از نمونه‌های فراوان برای فراهم کردن داده‌های گسترده ترانسکریپتومی، اپی‌ژنومی و پروتئومی در سرطان‌های متعدد استفاده شده است. اما تحلیل ژنتیکی متعارف به نمونه‌برداری تهاجمی یا بافت پاتولوژی پس از عمل وابسته است که خطرها و عوارض احتمالی دارد و برای همه بیماران سرطان قابل‌اجرا نیست.
ناهمگنی تومور را باید در نظر داشت
به‌دلیل ناهمگنی درون‌توموری یا بین‌توموری، نمونه‌برداری بافت ممکن است تغییرات ژنتیکی مهم را درست نیابد. نمونه معمولاً از بخش کوچکی از ضایعه ناهمگن گرفته می‌شود و ممکن است ویژگی‌های آناتومیک، عملکردی و فیزیولوژیک آن را درست نمایندگی نکند. مهم‌تر اینکه گرفتن چندباره بافت برای بررسی پاسخ حین درمان ممکن نیست. ازاین‌رو ادغام نمایه ژنومی یا پروتئومی در کاربرد بالینی عمومی همچنان دشوار است.
پیدایش راه‌حل‌های رادیومیک
تصویربرداری پزشکی فناوری حیاتی در علم و کاربرد بالینی است، اما نقش آن به‌سرعت از ابزار بزرگ تشخیص به نقشی مسلط در پزشکی شخصی‌سازی‌شده تحول می‌یابد. ارزیابی متعارف بر ویژگی‌های کیفی مانند تراکم تومور، الگوهای افزایش کنتراست، نظم مرزها، اجزای سلولی و بدون سلول درون تومور، رابطه آناتومیک با ساختارهای اطراف و تغییرات آناتومیک استوار است. در مقابل، رادیومیکِ به‌سرعت روبه‌رشد، رمزگشایی دیجیتال اطلاعات کمّی مانند تراکم، بافت، شکل و اندازه را از تصاویر چهارکاناله ممکن می‌کند.
رادیومیک، فناوری تازه معرفی‌شده در 2012، با استخراج ویژگی‌های کمّی تصویر از راه الگوریتم‌های پربازده و سپس پالایش، خوشه‌بندی و تحلیل آن‌ها، ناهمگنی تومور را توصیف و پیش‌بینی می‌کند. با وجود پیشرفت در تبدیل تصاویر پزشکی دیجیتال به داده‌های مرتبط گوناگون، موانع مهمی برای تعیین تفسیر زیستی ویژگی‌های رادیومیک وجود دارد.
ادغام داده‌های مختلف
با ورود به عصر آینده کلان‌داده و پزشکی شخصی‌سازی‌شده، متخصصان بسیاری مفهوم «رادیوژنومیک» را مطرح کرده‌اند. این حوزه بر پیوندهای چندمقیاسی میان تصویربرداری و داده ژنومی تمرکز دارد. می‌توان آن را ترکیب رادیومیک و ژنومیک دانست که کاستی‌های گفته‌شده را هدف می‌گیرد. طی دهه گذشته بسیار توسعه یافته و با ارتباط ویژگی‌های کمّی تصویر و امضاهای ژنومی، به‌ویژه برای شناسایی نشانگر درمان سرطان، ظرفیت رویکردهای غیرتهاجمی پیش‌آگهی و تشخیصی نشان داده است. با بهبود توصیف مولکولی سرطان‌ها و پیشرفت تحلیل بافت و یادگیری ماشین، تشخیص سرطان با رادیوژنومیک آماده حرکت به‌سوی پزشکی شخصی‌سازی‌شده می‌شود.
از انقلاب ژنوم در اوایل دهه 1990، پژوهش سرطان بر علل بنیادی بیماری در سطح ژنتیکی متمرکز شده است. پس از تکمیل پروژه ژنوم انسان، ژنومیک به سطحی کارکردی‌تر تحول یافت و بر نمایه بیان و نقش ژن‌ها و پروتئین‌ها تمرکز کرد. شناخت ژنتیک سرطان، شیوه اندیشیدن درباره بیماری و درمان آن را تغییر داده است. مانند پروژه اطلس ژنوم سرطان (TCGA)، نمونه‌های فراوان برای فراهم کردن داده‌های گسترده ترانسکریپتومی، اپی‌ژنومی و پروتئومی در سرطان‌های مختلف استفاده شده‌اند. اما تحلیل ژنتیکی متعارف به نمونه‌برداری تهاجمی یا بافت پاتولوژی پس از عمل وابسته است که خطرها و عوارض احتمالی دارد و برای همه بیماران قابل‌اجرا نیست. به‌دلیل ناهمگنی درون‌توموری یا بین‌توموری، نمونه بافت ممکن است تغییر ژنتیکی مهم را درست نیابد. نمونه‌ها معمولاً بخش کوچکی از ضایعه ناهمگن‌اند و شاید ویژگی آناتومیک، عملکردی و فیزیولوژیک آن را درست نمایندگی نکنند. مهم‌تر اینکه گرفتن چندباره بافت برای بررسی پاسخ حین درمان ممکن نیست. ازاین‌رو ادغام نمایه ژنومی یا پروتئومی در کاربرد بالینی عمومی همچنان دشوار است.
تصویربرداری پزشکی فناوری حیاتی در علم و کاربرد بالینی است، اما نقش آن به‌سرعت از ابزار بزرگ تشخیص به نقشی مسلط در پزشکی شخصی‌سازی‌شده تحول می‌یابد. ارزیابی متعارف بر ویژگی‌های کیفی مانند تراکم تومور، الگوی افزایش کنتراست، نظم مرزها، اجزای سلولی و بدون سلول درون تومور، رابطه آناتومیک با ساختارهای اطراف و تغییرات آناتومیک استوار است. در مقابل، رادیومیکِ به‌سرعت روبه‌رشد، رمزگشایی دیجیتال اطلاعات کمّی مانند تراکم، بافت، شکل و اندازه را از تصاویر چهارکاناله ممکن می‌کند. رادیومیک که فناوری تازه معرفی‌شده در 2012 است، با استخراج ویژگی کمّی تصویر توسط الگوریتم‌های پربازده و سپس پالایش، خوشه‌بندی و تحلیل داده‌ها، ناهمگنی تومور را توصیف و پیش‌بینی می‌کند. با وجود پیشرفت تبدیل تصاویر دیجیتال پزشکی به داده‌های مرتبط گوناگون، موانع مهمی در تعیین تفسیر زیستی ویژگی‌های رادیومیک باقی است.
با ورود به عصر آینده کلان‌داده و پزشکی شخصی‌سازی‌شده، متخصصان بسیاری مفهوم «رادیوژنومیک» را مطرح کرده‌اند. این حوزه بر پیوند چندمقیاسی تصویربرداری و داده ژنومی تمرکز دارد. می‌توان آن را ترکیب رادیومیک و ژنومیک دانست که کاستی‌های گفته‌شده را هدف می‌گیرد. طی دهه گذشته بسیار توسعه یافته و با ارتباط ویژگی کمّی تصویر و امضای ژنومی، به‌ویژه برای شناسایی نشانگر درمان سرطان، ظرفیت رویکردهای غیرتهاجمی پیش‌آگهی و تشخیصی نشان داده است. با بهبود توصیف مولکولی سرطان‌ها و پیشرفت تحلیل بافت و یادگیری ماشین، تشخیص سرطان با رادیوژنومیک آماده حرکت به‌سوی پزشکی شخصی‌سازی‌شده می‌شود.
نمای کلی گردش کار رادیوژنومیک
ایده اصلی رادیوژنومیک، ترکیب داده تصویربرداریِ بازتاب‌دهنده کمّی فنوتیپ بیماری با داده ژنومیِ بازتاب‌دهنده فعالیت مولکولی است تا پیوند ویژگی‌های ژنومی و تصویری برقرار شود و با تحلیل و پالایش آن‌ها، زمینه ژنتیکی و تکامل بیماری شناخته شود. ابزارها و روش‌ها در ادامه معرفی می‌شوند. در 2012، Lambin و همکاران رسماً مفهوم ژنومیک تصویر را مطرح کردند که با استخراج خودکار و پربازده ویژگی، تصویر پزشکی را به حجم زیادی اطلاعات تبدیل می‌کند تا ماهیت زیستی تصاویر کشف و تصمیم بالینی پشتیبانی شود. گردش کار شامل این مراحل است: (i) گردآوری تصویر، مشابه «ثبت مورد» در کارآزمایی بالینی، با رادیوگرافی، سونوگرافی، تصویربرداری تشدید مغناطیسی (MRI) و توموگرافی نشر پوزیترون (PET)/CT؛ (ii) بخش‌بندی تصویر به‌صورت دستی، نیمه‌خودکار یا کاملاً خودکار؛ (iii) استخراج و توصیف ویژگی تصویر، یعنی داده پُربُعد برای توصیف کمّی نواحی موردنظر که بخش اصلی بافت‌شناسی تصویر است؛ (iv) انتخاب ویژگی و ساخت مدل؛ (v) کاربرد بالینی، بیشترین محل استفاده بافت‌شناسی تصویر، شامل طبقه‌بندی تومور، مرحله‌بندی و پیش‌بینی پیش‌آگهی (شکل 1).
نمایی از شاخه‌های اُمیک در رابطه رادیومیک و ژنومیک
توسعه فناوری رادیوژنومیک در سال‌های اخیر، تغییر الگو در بررسی کاربرد بالینی رادیومیک از دیدگاه چنداُمیکی ایجاد کرده است. Fathi و همکاران برای مدل‌سازی دقیق پیامد بالینی بیماران تازه‌تشخیص‌داده‌شده GBM، اطلاعات بالینی، متیلاسیون MGMT، رادیومیک و داده ژنتیکی را ادغام کردند. این پژوهش کاربرد رادیوژنومیک در پزشکی دقیق را با رویکرد چنداُمیکی برای طبقه‌بندی درست گروه خطر توصیف کرد. بنابراین در این مرور، رادیوژنومیک را به سه جزء اصلی تقسیم می‌کنیم. مقالات مرتبط منتشرشده میان 2017 و 2022 با ضریب تأثیر (IF) بالاتر از 5 را در PubMed و Web of Science جست‌وجو کردیم.
استفاده از مدل‌های رادیوژنومیک برای پیش‌بینی جهش ژنی
شناسایی جهش ژنی برای تشخیص سرطان، انتخاب درمان و پایش اثربخشی مهم است. رایج‌ترین راه شناسایی، نمونه‌برداری بافت است که تهاجمی، گران و زمان‌بر است و برای همه بیماران مناسب نیست. رادیومیک، استخراج و تحلیل خودکار حجم زیادی ویژگی پیشرفته کمّی از شیوه‌های مختلف تصویربرداری با اسکن‌های استاندارد رادیولوژی است. رادیوژنومیک با ترکیب رادیومیک و ژنومیک به‌عنوان حوزه‌ای نوظهور، پزشکی دقیق را تسهیل می‌کند. بنابراین بررسی بیشتر رادیومیک برای پیش‌بینی جهش‌ها لازم است تا شناسایی مؤثرتر سرطان ممکن شود. در این بخش، دانش کنونی نقش رادیومیک در پیش‌بینی جهش تومور مغز، ریه، کولورکتال، پستان و کلیه را مرور می‌کنیم. بیشتر مطالعات بر جهش‌های شامل تغییر تک‌نوکلئوتیدی و درج/حذف (indel) تمرکز داشته‌اند.
چندریختی تک‌نوکلئوتیدی (SNP)، پرمطالعه‌ترین نوع تغییر ژنومی است. SNPها تغییر یک جفت‌بازند که می‌توانند بر DNA رمزگذار و غیررمزگذار و بیان پروتئین اثر بگذارند. GWAS مطالعه ژنتیک مولکولی است که از میلیون‌ها SNP ژنوم برای تحلیل ژنتیکی استفاده می‌کند. این روش میلیون‌ها چندریختی تک‌نوکلئوتیدی را به‌عنوان نشانگر ژنتیک مولکولی برای مقایسه و یافتن تغییرات مؤثر بر صفات پیچیده به کار می‌برد. Seibold و همکاران با رادیوژنومیک، در مرحله تکرار، ده SNP مهم در چهار ژن را در 1883 بیمار سرطان پستان ارزیابی و سپس در 753 بیمار تأیید کردند و ارتباط قوی rs2682585 با سمیت دیررس پوست و پاسخ سمی کلی را
یافتند. به همین شکل، Kerns و همکاران دریافتند ژن‌های AGT، COG2، CAPN9، ARV1، AL512328.1 و LOC101927604 ممکن است با هماچوری ناشی از سمیت پرتوییِ پیشرونده پس از پرتودرمانی سرطان پروستات ارتباط داشته باشند.
ازآنجاکه درمان‌های مشخص برای زیرگروه‌های ژنومی سرطان ریه غیرسلول‌کوچک (NSCLC) موجود است، تعیین ژنوتیپ برای هدایت درمان حیاتی است. رادیوژنومیک ممکن است ابزار فناورانه مهمی برای تعیین سریع و غیرتهاجمی ژنوتیپ تومور باشد. جهش گیرنده عامل رشد اپیدرمی (EGFR) و بازآرایی کیناز لنفوم آناپلاستیک (ALK)، نشانگرهای مهم درمان NSCLC با مهارکننده تیروزین‌کیناز (TKI) هستند. Lv و همکاران تأیید کردند pSUVmax پایین با وضعیت جهش‌یافته EGFR همراه است و در برخی بیماران NSCLC که آزمایش EGFR ممکن نیست، همراه دیگر عوامل بالینی می‌تواند تمایز وضعیت جهش EGFR را بهبود دهد. این مطالعه گذشته‌نگر شامل 849 بیمار NSCLC با تغییر EGFR یا ALK بود. Zhang و همکاران با بسته LIFEx، 47 ویژگی PET و 45 ویژگی CT استخراج و با متغیرهای بالینی ترکیب کردند و مدلی با توان بالای پیش‌بینی EGFR ساختند. همچنین Zhang و همکاران از 485 ویژگی کمّی بافت حاصل از CT گروه آموزش، جهش EGFR در NSCLC را پیش‌بینی کردند و عملکرد عالی مدل مبتنی بر ویژگی بافت‌شناسی تصویر را نشان دادند. Nair و همکاران با تصاویر CT و 18F-FDG-PET-CT مدلی ژنومیک‌تصویری برای شناسایی جهش EGFR ساختند. مدل FDG-PET برای تمایز EGFR نوع وحشی و جهش‌یافته، با AUC برابر 0.8 عملکرد خوبی داشت. در مجموع تصویربرداری FGD-PET و CT برای شناسایی جهش EGFR و بازآرایی ALK در تومور NSCLC عملکرد قدرتمندی دارند.
افزایش بروز سرطان کولورکتال (CRC)، همراه با بیماری‌زایی و مرگ‌ومیر، چالش درمانی بزرگی است. در سال‌های اخیر، مطالعات ژنومیک تصویری مرتبط با وضعیت جهش KRAS در CRC توجه زیادی جلب کرده‌اند. Shin و همکاران ارتباط ریخت‌شناسی پولیپ، افزایش طول محوری، افزایش نسبت محوری‌طولی و وضعیت گره لنفاوی N2 با جهش KRAS را مشاهده کردند. سپس Lubner و همکاران در بررسی 77 متاستاز کبدی CRC دریافتند پارامترهای بافت با درجه تومور، آنتی‌ژن کارسینوامبریونیک سرم (CEA) و وضعیت جهش KRAS همبستگی دارند. Yang و همکاران رابطه جهش ژنی با زمینه بالینی، مرحله تومور و تمایز بافت‌شناختی را در 117 بیمار CRC مدل‌سازی و تحلیل کردند. یافته‌ها همبستگی ویژگی‌های بافت‌شناسی تصویر با جهش KRAS/NRAS/BRAF را نشان داد و مطرح کرد CT می‌تواند به تعیین ژنوتیپ تومور CRC و درمان دقیق‌تر کمک کند.
مطالعات بالا ارزش پیش‌بینی خوب ویژگی‌های متعارف تصویربرداری و بافت‌شناسی تصویر را برای جهش ژنی چند سرطان نشان داده‌اند. گرچه جایگزین نمونه‌برداری پانکراس نمی‌شوند، غیرتهاجمی و تکرارپذیر بودنشان ممکن است به تصمیم بالینی کمک کند. اما وجود SNPهای حساس به پرتو که هنوز کشف نشده‌اند ممکن است کاربرد بالینی را محدود کند.
جایگاه کاربرد رادیومیک در ترانسکریپتومیک
شناخت نقش‌های گوناگون هر ژن به ترانسکریپتومیک نیاز دارد؛ الگوی بیان ژن در سطح رونویسی ژنتیکی در جاندار یا سلول مشخص و شرایط معین. می‌توان با آن تفاوت بیان ژن افراد سالم و بیمار را بهتر شناخت. پژوهشگران با بررسی اینکه کدام ژن روشن یا خاموش است و در کدام گروه انسانی، سرنخ اثر تفاوت بیان ژن بر پیشرفت بیماری را می‌یابند. بنابراین برای هدایت دقیق‌تر شناسایی سرطان، بررسی بیشتر نشانگرهای ترانسکریپتومی لازم است. در این بخش نقش نشانگرهای رونویسی در تومور مغز و کلیه را مرور می‌کنیم.
چون اهمیت بالینی بعضی جهش‌های رایج معلوم نیست، کاربردشان به‌عنوان نشانگر بالینی محدود است. نشانگرهای رونویسی برای تقسیم ccRCC به زیرگروه‌های مولکولی دارای اهمیت بالینی برتری دارند. Brooks و همکاران امضای بیان 34 ژن را برای دسته‌بندی ccRCC موضعی به پرخطر و کم‌خطر توسعه دادند. Jamshidi و همکاران نیز الگوریتم GSEA را برای شناسایی مسیرهای سرطان‌زا با ویژگی‌های MR به کار بردند. میان 34 جایگاه ژنی که تغییر هماهنگ مقدار ژن و بیان mRNA داشتند، همبستگی یافت شد و نقشه ارتباط رادیوژنومی MR، mRNA و CNV برای GBM شکل گرفت. مطالعه دیگری با پیوند فنوتیپ PET/CT با 18F-فلوئوروکولین و ویژگی‌های مولکولی کارسینوم هپاتوسلولار، ترانسکریپتومیک و ارتباط احتمالی با بقا را بررسی کرد. همچنین Yamamoto و همکاران در سرطان پستان، نقشه رادیوژنومی مرتبط‌کننده فنوتیپ MR با الگوهای بیان ژن کلی ساختند و رابطه فنوتیپ‌های مشخص با مجموعه ژن‌های موردنظر را یافتند. آن‌ها همچنین ارتباط ویژگی افزایش کنتراست لبه در MR با هشت lncRNA، از جمله RNA آنتی‌سنس رونویسی HOX (HOTAIR)، را یافتند.
ترکیب رادیومیک و اپی‌ژنتیک
درک اینکه تغییرات اپی‌ژنتیکی چگونه شکل‌گیری سرطان را هدایت می‌کنند، حوزه‌ای بسیار موردتوجه در پژوهش سرطان است. برخلاف جهش ژنتیکی، تغییر اپی‌ژنتیکی برگشت‌پذیر و بنابراین هدف جذاب مداخله است. سرطان با سازوکارهای اپی‌ژنتیکی آغاز و توسعه می‌یابد و تنوع اپی‌ژنتیکی، الگوهای پویای بیان ژن را تقویت می‌کند که به تکامل و سازگاری تومور کمک می‌کنند. رادیوژنومیک با ارائه رویکردهای تازه به ارتباط مهم ویژگی‌های اپی‌ژنتیکی و بالینی‌پاتولوژیک سرطان، بر ظرفیت نشانه‌های اپی‌ژنتیکی به‌عنوان نشانگر پزشکی شخصی‌سازی‌شده تأکید می‌کند.
Cen و همکاران برای بررسی رابطه ویژگی CT، سطح متیلاسیون RUNX3 و بقا، مدل کارسینوم سلول روشن کلیه ساختند. آن‌ها دریافتند مرز مبهم تومور، تومور سمت چپ و عروق درون‌توموری، افزایش متیلاسیون RUNX3 را به‌طور معنی‌داری پیش‌بینی می‌کنند. همچنین Kanas و همکاران ارتباط متغیرهای استاندارد MRI پیش از عمل با وضعیت متیلاسیون MGMT در گلیوبلاستوما را نشان دادند.
در مجموع، درک بهتر سازوکار اپی‌ژنتیکی و برهم‌کنش اُمیک اپی‌ژنتیکی با رادیومیک می‌تواند بینش تازه‌ای برای توسعه راهبردهای رادیوژنومیک فراهم کند.
کاربردهای بالینی
از آغاز این دهه، پژوهش رادیوژنومیک پیشرفت چشمگیری داشته و ظرفیت آن برای ارتقای قابل‌توجه مراقبت بالینی را برجسته کرده است. چون این حوزه هنوز نوپاست، ظرفیت کامل بالینی آن تحقق نیافته است. اما مطالعات متعدد در کاربردهای اولیه نتایج امیدبخش داشته‌اند. مقالات مرتبط میان 2017 و 2022 با ضریب تأثیر (IF) بالاتر از 5 را در PubMed و Web of Science جست‌وجو کردیم.
رابطه فنوتیپ تصویربرداری و فنوتیپ مولکولی
دستیابی به فنوتیپ مولکولی دقیق، پیش‌نیاز درمان هدفمند است. به‌دلیل ناهمگنی تومور بدخیم، بازتاب درست جهش‌های ژنی تومور در قطعه کوچک نمونه‌برداری دشوار است. رادیوژنومیک با آشکار کردن رابطه ویژگی تصویر، یعنی فنوتیپ تصویربرداری، و نشانگر مولکولی تومور، یعنی فنوتیپ مولکولی، می‌خواهد این وضعیت را بهتر کند.
شناسایی جهش IDH1 برای تشخیص و پیش‌آگهی گلیوما بسیار مهم است. GBM بر اساس وضعیت ایزوسیترات دهیدروژناز (IDH) به نوع وحشی یا جهش‌یافته IDH تقسیم می‌شود. بیشتر پژوهش‌ها برای پیش‌بینی وضعیت IDH از MR استفاده کرده و موفقیت متوسط داشته‌اند. مطالعه موجود با عوامل بالینی و ویژگی‌های چندوجهی MRI، یادگیری ماشین را برای پیش‌بینی ژنوتیپ IDH در گلیومای درجه بالا به کار برده است. برای نمونه Zhang و همکاران با داده بالینی و ویژگی‌های چندوجهی پیش از عمل، دسته‌بند جنگل تصادفی برای این هدف ساختند. همچنین Chang و همکاران با MR متعارف، یادگیری عمیق را برای پیش‌بینی غیرتهاجمی ژنوتیپ IDH در گلیومای درجه II-IV به کار بردند. این مدل ممکن است ابزار غیرتهاجمی مکمل نمونه‌برداری تهاجمی باشد و مدیریت زودتر بیماری و پیگیری را آسان کند.
زیرگونه‌های مولکولی سرطان پستان، شامل لومینال A، لومینال B، غنی‌شده از HER2 و شبه‌بازال (شکل 2)، نخست توسط Perou و همکاران برای توضیح تفاوت پاسخ درمان و پیامد بیمار پیشنهاد شدند. مطالعات بعدی اهمیت بالینی آن‌ها و هماهنگی نسبی تصمیم شیمی‌درمانی، درمان هورمونی و درمان هدفمند HER2 با این زیرگونه‌ها را تأیید کردند. Mazurowski و همکاران در بررسی 48 بیمار از آرشیو تصویر سرطان، 23 ویژگی DCE-MRI استخراج کردند که ارتباط افزایش کنتراست پویا با لومینال B را نشان داد. در این زیرگونه، نسبت افزایش کنتراست ضایعه به افزایش کنتراست پارانشیم زمینه معمولاً بالاتر است. Leithner و همکاران یافتند ویژگی DWI، مانند هیستوگرام مرتبه اول و ماتریس هم‌رخدادی خاکستری، می‌تواند وضعیت گیرنده و زیرگونه مولکولی، از جمله لومینال B و غنی‌شده از HER2، را دقیق‌تر مشخص کند. Xie و همکاران با MR چندصفحه‌ای و تحلیل هیستوگرام تومور، سرطان پستان سه‌گانه‌منفی را از دیگر زیرگونه‌ها تفکیک و در تمایز آن از لومینال A و غنی‌شده از HER2 دقت خوبی نشان دادند. Dilorenzo و همکاران ارزش افزایش کنتراست پارانشیم زمینه MRI (BPE) را برای تشخیص افتراقی زیرگونه‌ها بررسی کردند: BPE خفیف به لومینال B یا HER2-منفی و BPE شدید به سرطان پستان سه‌گانه‌منفی اشاره داشت.
بینش‌های زیستی تازه، چهار زیرگروه مولکولی در طبقه‌بندی مدولوبلاستوما (MB) تعریف کرده‌اند: sonic hedgehog (SHH)، wingless (WNT)، گروه 3 و گروه 4. ویژگی تصویربرداری متعارف حاصل از MRI چندپارامتری پیش از عمل با زیرگروه‌های مولکولی MB مرتبط شده و ساخت نوموگرام‌های ویژه زیرگروه با دقت پیش‌بینی متفاوت را ممکن کرده است. نوموگرام مبتنی بر MRI چندپارامتری پیش از عمل می‌تواند SHH و زیرگونه مولکولی گروه 4 مدولوبلاستوما را قابل‌اعتماد پیش‌بینی کند. Yan و همکاران مدل‌های یادگیری ماشین برای پیش‌بینی زیرجمعیت‌های مولکولی MB توسعه دادند. نتایج ظرفیت پیش‌بینی غیرتهاجمی این زیرجمعیت‌ها با الگوریتم یادگیری ماشین را نشان داد.
کاربرد رادیوژنومیک برای ارزیابی اثربخشی درمان انکولوژی و تعیین گزینه‌های درمان
در سال‌های اخیر پیشرفت بی‌سابقه رادیوژنومیک نشان داده است که با ویژگی تصویری بافت تومور می‌توان پاسخ به درمان‌های مختلف، از جمله شیمی‌درمانی، پرتودرمانی، درمان هدفمند و ایمنی‌درمانی را با دقت پیش‌بینی کرد.
ایمنی‌درمانی
ژنومیک تصویربرداری 18F-FDG-PET/CT برای پیش‌بینی بیان PD-1/PD-L1 بیش‌ازپیش مطالعه و استفاده شده است. مطالعات تازه نشان داده‌اند امتیاز یادگیری عمیق (DLS) ممکن است برای هدایت تصمیم درمان فردی جایگزین سنجش PD-L1 با IHC شود. همچنین Dall'Olio و همکاران نشان دادند حجم متابولیک کل تومور (tMTV) ≥ 75 cm3 در NSCLC پیشرفته ممکن است نشانگر پیش‌آگهی بد در افراد دارای بیان بالای PD-L1 باشد. این اطلاعات ممکن است برای یافتن بیمارانی مفید باشد که افزون بر پمبرولیزومب، از شیمی‌درمانی نیز سود می‌برند.
درمان سیستمیک پیش از عمل
درمان سیستمیک نئوادجوانت (NST)، مراقبت استاندارد سرطان پستان موضعی و پیشرفته است که با کوچک کردن تومور، امکان جراحی حفظ پستان را افزایش می‌دهد. اما فقط تعداد کمی از بیماران از NST سود می‌برند، زیرا بعضی ضایعات زیستی تهاجمی ممکن است پس از NST مؤثر مهار نشوند. پس شناسایی افراد سودبرنده حیاتی است. پاسخ کامل پاتولوژیک (pCR) با پیش‌آگهی مطلوب بلندمدت ارتباط نزدیک دارد و شاخص ارزیابی اثربخشی NST است. Tsukada و همکاران پیش‌بینی کردند که آیا انواع تومور پس از تکمیل NST به pCR می‌رسند و ارتباط دو ویژگی MRI، جهت رشد تومور و نسبت کانتور، را با pCR نشان دادند. مطالعه نشان داد رشد در جهت رباط Cooper و نسبت کانتور سریع در MRI چندصفحه‌ای پیش از درمان، پیش‌بینی‌کننده pCR هستند. Kim و همکاران برای ارزیابی پیش‌آگهی سرطان پستان از بقای بدون عود استفاده کردند و در افراد دارای آنتروپی بالا، یعنی ناهمگنی زیاد، در T2WI بقای بدون عود به‌طور معنی‌داری کمتر بود.
پرتودرمانی
در دوره پرتودرمانی، رادیوژنومیک با مدل یکپارچه شامل بُعد تصویربرداری و ژنتیکی می‌تواند از تصمیم بالینی پشتیبانی کند. مطالعات بسیاری نشان داده‌اند می‌تواند عوارض پرتودرمانی سرطان را پیش‌بینی و با شناسایی نشانگر ژنتیکی به انتخاب بهترین رژیم برای بیشینه کردن نتیجه درمان کمک کند. همچنین روش‌های پرتودرمانی از دوبعدی به سه‌بعدی و حتی چهاربعدی و توزیع دوز از نقطه‌ای به حجمی تحول یافته‌اند. روش‌های تازه بر حجم زیاد داده تصویربرداری استوارند. رادیومیک با توصیف دقیق و درست فنوتیپ تصویر، ناهمگنی درون‌توموری را در طیف بزرگی از تومورهای جامد نشان می‌دهد. افزون بر این، با ادغام توصیف چنداُمیکی در مدل فیزیکی، به هدایت فیزیک‌دانان پرتودرمانی برای افزایش پروتکل‌های پرتودهی مجدد در درمان هدفمند کمک می‌کند.
پیش‌بینی پاسخ دارویی و مقاومت احتمالی
رادیوژنومیک برای پیش‌بینی پاسخ دارو و مقاومت احتمالی به‌منظور هدایت درمان فردی تومور نیز قابل‌استفاده است. در 2007، Kuo و همکاران ارتباط قوی برخی نمودهای CT با کنتراست و حساسیت کارسینوم هپاتوسلولار به آدریامایسین را یافتند. پزشکی دقیق نه‌تنها شناسایی اهداف قابل‌تغییر پایش و درمان، بلکه فناوری قابل‌اعتماد و غیرتهاجمی برای شناسایی تغییر این اهداف در طول زمان را می‌طلبد. رادیوژنومیک با اطلاعات ژنتیکی وکسل‌به‌وکسل برای یک تومور ناهمگن یا مجموعه‌ای از سرطان‌ها در بیماری متاستاتیک، ساخت برنامه درمان شخصی را پشتیبانی می‌کند.
مدل رادیوژنومیک به‌عنوان نشانگر بالینی پیش‌آگهی و پیش‌بینی عود
ساخت برچسب‌های رادیوژنومیک با ترکیب ویژگی تصویری، ژنتیکی و پاتولوژیک، پیوند تصویر و پیامد بیمار را آشکار و ورود آن به کاربرد بالینی را تسریع می‌کند. توسعه نشانگر تصویری جایگزین، توان پزشک برای پیش‌بینی پیامد مرتبط بالینی را تقویت می‌کند. تهاجم وریدی رادیوژنومیک (RVI)، نشانگر MVI در CT با کنتراست (CECT) است. Banerjee و همکاران ارتباط RVI در CECT پیش از عمل با بقای کلی (OS) بد و عود زودهنگام را یافتند. RVI ممکن است در شناسایی افرادی مؤثر باشد که احتمال سود بلندمدت از جراحی در آن‌ها کم است.
پیش‌بینی پیش‌آگهی و پاسخ درمان با رادیوژنومیک
پیش‌بینی پیش‌آگهی و پاسخ درمان از امیدبخش‌ترین کاربردهای بالینی رادیوژنومیک است. ترکیب ویژگی تومور و داده ژنومی، ابزار قدرتمندی برای پیش‌بینی نتایج و پشتیبانی تصمیم درمان فراهم می‌کند.
سرطان پروستات
رادیوژنومیک در تشخیص سرطان پروستات می‌تواند با MRI چندپارامتری (mpMRI) و داده ژنتیکی نمونه‌برداری، پیشرفت بیماری و پاسخ درمان را پیش‌بینی کند. Woo و همکاران ارتباط قوی داده رادیوژنومیک حاصل از mpMRI با امتیاز Gleason و نتایج نمونه‌برداری پروستات را یافتند. این امر نقش بالقوه مهم آن در تشخیص و مدیریت سرطان پروستات را نشان می‌دهد.
تومورهای مغز
در درمان گلیوبلاستوما (GBM)، رادیوژنومیک برای شناخت ناهمگنی تومور و ساخت برنامه درمان شخصی حیاتی است. مدل ترکیب‌کننده MRI و داده ژنومی می‌تواند پاسخ درمان و پیامد بیمار را پیش‌بینی کند. Carrillo و همکاران با MR پیش از عمل و داده ژنومی، مدلی برای پیش‌بینی بقای کلی GBM ساختند. این مدل ظرفیت بهبود پاسخ درمان و پیش‌آگهی بلندمدت را دارد.
سرطان پستان
رادیوژنومیک در سرطان پستان نیز برای پیش‌بینی پاسخ و توسعه راهبرد شخصی درمان به کار می‌رود. داده ژنومی سیال و ویژگی MR برای پیش‌بینی پاسخ به شیمی‌درمانی نئوادجوانت ترکیب شده‌اند. Sutton و همکاران نشان دادند مدل ترکیب‌کننده ویژگی MR و داده ژنومی می‌تواند پاسخ درمان را در سرطان پستان پیش‌بینی کند؛ موضوعی که اهمیت رادیوژنومیک در برنامه‌ریزی درمان را برجسته می‌کند.
سرطان کولورکتال
در درمان سرطان کولورکتال (CRC)، رادیوژنومیک اطلاعات ارزشمند برای پیش‌بینی پاسخ و پیشرفت بیماری می‌دهد. Lubner و همکاران با داده ژنتیکی و ویژگی تصویربرداری CRC مدلی برای پیش‌بینی پاسخ درمان ساختند. این مدل ظرفیت بهبود پاسخ به شیمی‌درمانی و پیش‌آگهی بلندمدت را دارد.
سرطان ریه
در سرطان ریه، رادیوژنومیک با ادغام داده ژنتیکی و تصویربرداری توان پیش‌بینی پاسخ و برنامه‌ریزی درمان را دارد. داده‌های آن برای پیش‌بینی پاسخ به درمان هدفمند استفاده می‌شوند. Wei و همکاران نشان دادند مدل ترکیب‌کننده ویژگی PET/CT و داده ژنومی می‌تواند پاسخ درمان و پیش‌آگهی را در بیماران سرطان ریه پیش‌بینی کند. این امر بر اهمیت رادیوژنومیک در درمان سرطان ریه تأکید دارد.
نتیجه و چشم‌انداز آینده
رادیوژنومیک به‌عنوان جزء مهم پزشکی شخصی‌سازی‌شده در درمان سرطان مطرح می‌شود. با ترکیب داده تصویری و ژنومی، ابزار قدرتمندی برای شناخت ناهمگنی تومور، پیش‌بینی پاسخ درمان و بهینه‌سازی برنامه بیمار فراهم می‌کند. انتظار می‌رود در آینده کاربردهای آن بیشتر توسعه یابد و در عمل بالینی گسترده‌تر شود.
رادیوژنومیک ظرفیت تحول‌آفرینی در پژوهش سرطان و کاربرد بالینی را دارد. پیشرفت این حوزه به توسعه درمان‌های دقیق‌تر و مؤثرتر کمک و کیفیت زندگی بیمار را بهتر خواهد کرد. این حوزه در آینده پزشکی شخصی‌سازی‌شده درمان سرطان نقش مهمی خواهد داشت.
رادیوژنومیک: مسیرهای آینده و چالش‌ها
گسترش و پذیرش رادیوژنومیک در کاربرد بالینی مستلزم عبور از چالش‌هایی مانند ادغام داده، استانداردسازی، اعتبارسنجی و موضوعات اخلاقی است.
ادغام داده
رادیوژنومیک حجم بسیار زیادی داده تولید می‌کند که ادغام و تحلیل آن دشوار است. برای پیوند داده ژنومی، تصویر رادیولوژی و اطلاعات بالینی به روش‌های محاسباتی پیشرفته نیاز است. این فرایند باید با دقت مدیریت شود تا داده‌ها درست و قابل‌اعتماد باشند.
استانداردسازی
استانداردسازی داده رادیوژنومیک برای آسان کردن مقایسه و اشتراک داده میان گروه‌های پژوهشی و مراکز بالینی ضروری است. استانداردسازی گردآوری، پردازش و تحلیل، ادغام این حوزه در کاربرد بالینی را تسریع خواهد کرد.
اعتبارسنجی
مدل‌های رادیوژنومیک پیش از استفاده بالینی باید به‌طور جامع اعتبارسنجی شوند. مطالعات بالینی بزرگ و چندمرکزی برای اطمینان از قابلیت اعتماد و دقت مدل لازم‌اند. این فرایند برای ارزیابی عملکرد مدل در شرایط واقعی اهمیت دارد.
موضوعات اخلاقی
استفاده از داده رادیوژنومیک چالش‌های حریم خصوصی و اخلاقی نیز دارد. امنیت و محرمانگی داده بیمار در پژوهش و کاربرد آن حیاتی است. بنابراین قواعد حفاظت داده و اخلاق باید با دقت اجرا شوند.
مسیرهای آینده
مسیرهای آینده پژوهش رادیوژنومیک به پیشرفت بیشتر پزشکی شخصی‌سازی‌شده کمک خواهند کرد. برخی از این مسیرها در ادامه آمده است:
هوش مصنوعی و یادگیری ماشین
استفاده از هوش مصنوعی (AI) و یادگیری ماشین (ML) در رادیوژنومیک، تحلیل و تفسیر داده را بسیار سریع‌تر خواهد کرد. AI و ML با پردازش دقیق‌تر و سریع‌تر اطلاعات حاصل از داده‌های رادیوژنومیک، از تصمیم بالینی پشتیبانی می‌کنند.
رویکردهای چنداُمیکی
رادیوژنومیک با ترکیب داده ژنومی با پروتئومیک، متابولومیک و دیگر داده‌های اُمیکی جامع‌تر و مؤثرتر خواهد شد. این رویکردها با درک عمیق‌تر زیست‌شناسی سرطان، راهبردهای شخصی‌سازی‌شده درمان را توسعه می‌دهند.
تصویربرداری و برنامه‌ریزی درمان در زمان واقعی
رادیوژنومیک می‌تواند در تصویربرداری و برنامه‌ریزی درمان هم‌زمان استفاده شود تا پاسخ بیمار در هر مرحله پایش و برنامه درمان بهینه شود. داده رادیوژنومیک در زمان واقعی ممکن است با افزایش اثربخشی درمان، کیفیت زندگی بیمار را بهتر کند.
استفاده گسترده در کاربرد بالینی
نتایج پژوهش رادیوژنومیک بیش‌ازپیش در عمل بالینی استفاده خواهند شد. این امر به گسترش پزشکی شخصی‌سازی‌شده در درمان سرطان و بهبود نتایج بیماران کمک خواهد کرد.
همکاری بین‌المللی
همکاری بین‌المللی برای موفقیت پژوهش رادیوژنومیک بسیار مهم است. اشتراک داده و همکاری پژوهشگران و مراکز بالینی کشورهای مختلف، پیشرفت سریع‌تر این حوزه را ممکن خواهد کرد.
نتیجه
رادیوژنومیک به‌سرعت به‌عنوان یکی از اجزای کلیدی پزشکی شخصی‌سازی‌شده سرطان توسعه می‌یابد. ادغام داده تصویری و ژنومی، ابزار قدرتمندی برای شناخت ناهمگنی تومور، پیش‌بینی پاسخ و بهینه‌سازی برنامه درمان بیمار فراهم می‌کند. این حوزه ظرفیت تحول آینده درمان سرطان را دارد، کیفیت زندگی بیمار را افزایش می‌دهد و به راهبردهای درمانی دقیق‌تر کمک خواهد کرد.
رادیوژنومیک همچنان نقش مهمی در آینده پزشکی شخصی‌سازی‌شده خواهد داشت. پژوهش و کاربرد بالینی این حوزه به توسعه رویکردهای مؤثرتر و هدفمندتر درمان سرطان کمک خواهد کرد.
منابع
آیا این مقاله برای شما مفید بود؟
بازخورد شما به بهبود محتوای ما کمک می‌کند.
نظرهای خوانندگان
نظر خود را بنویسید
نام و دیدگاه شما فقط پس از تأیید مدیر منتشر می‌شود. نشانی ایمیل شما هرگز به بازدیدکنندگان نمایش داده نمی‌شود.
اولین نظر را شما بنویسید.