Индивидуальное лечение рака с органоидными моделями: важное исследование ESMO 2024

Эпоха прецизионной онкологии

Прецизионная онкология — индивидуализированный подход к лечению рака. Его цель — выбрать оптимальную терапию с учётом генетики, окружающей среды и образа жизни конкретного пациента. Современная медицина часто опирается на стандартные протоколы, но прецизионная онкология учитывает уникальные обстоятельства человека и персонализирует лечение. Это может повысить эффективность и свести к минимуму нежелательные явления.

Современные методы прецизионной онкологии

К используемым методам относятся генетическое секвенирование, тесты на биомаркеры, таргетная терапия и тестирование минимальной остаточной болезни. Они выявляют специфические мутации и другие биологические признаки опухоли и позволяют использовать их при выборе лечения. Например, опухоль с определённой мутацией может лучше отвечать на конкретный препарат.

Что такое органоидная модель, полученная от пациента?

Органоиды пациента (patient derived organoid, PDO) — трёхмерные клеточные культуры, выращенные в лаборатории из его опухолевой ткани. Они сохраняют генетические и фенотипические особенности опухоли, предоставляя близкую к реальной ткани модель. Это позволяет непосредственно наблюдать действие препаратов и даёт учёным и врачам возможность проверять индивидуальные варианты терапии.

Вклад органоидных моделей

Органоиды вносят важный вклад в прецизионную онкологию, позволяя лабораторно исследовать реакцию конкретной опухоли на лекарства. Потенциальные варианты можно оценить заранее и до клинического применения определить наиболее эффективный метод с наименьшими нежелательными эффектами. Такие тесты также участвуют в разработке новых препаратов и открытии таргетных подходов. Этот комплексный подход играет ключевую роль в формировании будущего онкологии.

Подробности нового исследования из Франции

В исследовании, представленном на конгрессе ESMO 2024, для пациентов с раком поджелудочной железы и колоректальным раком использовали полученные от пациентов органоиды  для прогнозирования клинического ответа на лечение. Всего исследование включало 155 органоидных моделей: 70 образцов рака поджелудочной железы и 85 образцов колоректального рака. Каждый органоид создавали из клеток опухоли и проверяли на нём лекарства, которые пациент получал в клинике. Это позволяло моделировать индивидуальный ответ и точнее прогнозировать будущую реакцию на лечение.

В исследовании объединили биохимические тесты органоидов и многофакторный анализ, формируя прогнозы ответа на терапию. Модель служила инструментом определения методов, способных дать лучшие результаты в клинических условиях.

Результаты

Показано, что органоидные модели способны точно прогнозировать ответ пациентов и время без прогрессирования рака:

Прогноз общего ответа на лечение:

• Чувствительность: 83%
• Специфичность: 88%

Прогноз выживаемости без прогрессирования:

Для прогнозирования выживаемости без прогрессирования (PFS) применяли регрессионную модель Cox и отношение рисков (HR). 

• C-показатель модели Cox: 0,59
  • C-показатель измеряет точность прогноза: 0,5 означает случайное предсказание, а 1,0 — идеальное. Полученное в исследовании значение 0,59 указывает лишь на небольшое преимущество при прогнозировании ответа, далёкое от идеального.
• Отношение рисков: 2,82 (95% доверительный интервал: 1,25–6,33)
  • Отношение рисков показывает, насколько риск события — здесь прогрессирования рака — увеличивается в определённой группе. HR = 2,82 означает, что при наличии определённого фактора, например лечения, прогрессирование в 2,82 раза вероятнее. Это характеризует влияние лечения на прогрессирование.

Лечение с хорошими результатами оценивали по индексу модуляции роста (ИМР):

ИМР при хорошем результате: 1,81

ИМР без хорошего результата: 0,78

Влияние клинических данных

Добавление клинических и молекулярных данных повысило точность прогнозирования:

• C-показатель модели Cox: 0,69

На ответ влияли число ранее полученных препаратов и вид заболевания:

• HR для числа препаратов: 1,37
• HR для вида заболевания: 1,89

Общее состояние здоровья по шкале ECOG значимо не влияло на ответ.

• При учёте клинических и молекулярных переменных прогностическая сила существенно увеличилась (HR: 4,36, p = 0,0027).
  • Это означает увеличение риска события, например прогрессирования или ухудшения заболевания, в 4,36 раза. При контроле клинических и молекулярных переменных риск значительно повышается, то есть при учёте этих факторов вероятность события гораздо выше.

Заключение

Исследование показывает, что добавление клинических и молекулярных переменных к функциональному скринингу органоидов существенно улучшает прогнозирование. Точный прогноз ответа — ключевой шаг к успеху индивидуального лечения рака. Результаты указывают на необходимость более эффективного применения органоидов в прецизионной онкологии и их потенциал открыть новые возможности лечения.