CORE FACILITIES. Flera veckors sökande efter biomarkörer i cancerprover har nu kortats ner till sekunders eller på sin höjd minuters arbete. Genom ett samarbetsprojekt mellan Bioinformatics and Data Centre (BDC) och Britta Langens vid Sahlgrenska Cancer Center, har ett machine learning-program utvecklats som bland annat kan visa effekter av strålbehandling på olika vävnader samt ge indikation på om stråldoser behöver justeras.
– Att identifiera biomarkörer för strålningsdosimetri med hjälp av maskininlärning är ett relativt nytt sätt att arbeta med inom cancerbehandling, vilket tidigare varit ett manuell och tidskrävande metod som också kan påverkas av den mänskliga faktorn. Genom försök på mus och råtta har dessutom Britta Langens en mycket stor mängd data där olika typer av strålning utförts på vävnader så som njure, lever och lungor. För att få en ännu mer effektiv och säker analysmetod vände de sig till oss, säger Björn Andersson som är bioinformatiker och den som utvecklat programmet.
Optimera Algoritmer
Genom att anpassa och optimera algoritmer i programmeringsspråket R, har verktyget skräddarsytts för att snabbt kunna köra igenom de upp emot 10 000 gener som kan finnas i ett enda prov. Men verktyget kan också med enkelhet läras om för att och kunna analysera andra typer av expressionsdata, exempelvis från proteiner.
– De vinster vi får rent metodologiskt blir att vi dels inte behöver leta manuellt efter biomarkörer en gen åt gången, vilket sparar mycket tid. Dessutom kan vi minska eller i många fall eliminera den mänskliga faktorn eftersom dataanalysen blir automatiskt reproducerbar och enkelt kan verifieras, vilket ger säkrare data utan risk för mänskliga feltolkningar eller missar, säger Björn.
Patientnytta största vinsten
I slutändan är de största vinsterna de som kommer patienterna till gagn.
– Genom snabb och säker analys av data kan patienter följas genom strålbehandlingen på ett helt nytt sätt där optimal och individanpassad cancerbehandling är målet, säger Björn som också lyfter fram framtida möjligheter så som ett webbaserat verktyg där data kan laddas upp och enkelt analyseras utifrån olika behov och prover.
Projektet finansierades av SFF Stiftelsen för strategisk forskning.
Titel: Development of a machine learning framework for radiation biomarker discovery and absorbed dose prediction; Frontiers in Oncology.
AV: CHARBEL SADER
