“I gemelli di Digital„ di diversi pazienti possono contribuire a trovare il migliore farmaco ad ogni paziente

I modelli elaborati dal calcolatore avanzati delle malattie possono essere usati per migliorare la diagnosi ed il trattamento. Lo scopo è di sviluppare i modelli “gemelli digitali„ di diversi pazienti. Quei gemelli possono contribuire ad identificare e provare informaticamente il migliore farmaco, prima realmente della cura del paziente. I modelli sono il risultato di uno studio internazionale, pubblicato nella medicina del genoma del giornale di accesso aperto.

Uno di più grandi problemi nell'assistenza medica è che il farmaco è inefficace in 40-70% dei pazienti con le malattie comuni. Una motivazione importante è che le malattie sono causate raramente da una singola, facilmente “faglia„ trattabile. Invece, la maggior parte delle malattie dipendono dalle interazioni alterate fra migliaia di geni in molti tipi differenti delle cellule. Un'altra ragione è che quelle interazioni possono differire fra i pazienti con la stessa diagnosi. C'è un ampio spazio fra questi complessità e sanità moderna. Un gruppo di ricerca internazionale ha mirato a colmare questa lacuna costruendo i modelli di calcolo di malattia con interazioni alterate del gene attraverso molti tipi delle cellule.

Il nostro scopo è di sviluppare quei modelli “nei gemelli digitali„ delle malattie dei diversi pazienti per adeguare al farmaco ogni paziente. Nel migliore dei casi, ogni gemello sarà abbinato informaticamente con e sarà curato con migliaia di droghe, prima realmente di selezionare la migliore droga per curare il paziente.„

Dott. Mikael Benson, il professor, università di Linköping, Svezia

Benson piombo lo studio.

I ricercatori hanno cominciato mettendo a punto i metodi per costruire i gemelli digitali, facendo uso di un modello del mouse dell'artrite reumatoide umana. Hanno usato una tecnica, RNA unicellulare che ordina, per determinare tutta l'attività di gene in ciascuno di migliaia di diverse celle dalle giunzioni malate del mouse. Per costruire i modelli elaborati dal calcolatore con tutti i dati, i ricercatori hanno usato le analisi di rete. “Le reti possono essere usate per descrivere ed analizzare la maggior parte dei sistemi complessi„, dice il Dott. Benson. “Un esempio semplice è una squadra di calcio, in cui i giocatori sono connessi in un basato su rete sui loro passaggi. Il giocatore che scambia i passaggi con la maggior parte degli altri giocatori può essere più importante„. I simili principi si sono applicati per costruire il mouse “gemella„ come pure per identificare il tipo più importante delle cellule. Che il tipo delle cellule è stato abbinato informaticamente con migliaia di droghe. Per concludere, i ricercatori hanno indicato che la droga “del meglio„ potrebbe essere usata per trattare e fare maturare i mouse malati.

Lo studio egualmente ha dimostrato che può essere possibile usare i modelli elaborati dal calcolatore per diagnosticare la malattia in esseri umani. I ricercatori hanno messo a fuoco sullo stesso tipo delle cellule che è stato usato per l'identificazione della droga. Questo tipo delle cellule, celle di T, svolge un ruolo importante nelle difese immunitarie e servisce da impronta digitale del gemello digitale di tutto. I ricercatori hanno analizzato le celle di T dai pazienti con tredici malattie, compreso le malattie autoimmuni, le malattie cardiovascolari ed i vari tipi di cancri. Le impronte digitali diagnostiche hanno potuto essere usate non solo per distinguere i pazienti dalla gente in buona salute, ma anche per distinguere la maggior parte delle malattie l'uno dall'altro.

“Dalle celle di T funziona come una specie di satellite spia, che sta esaminando continuamente l'organismo per scoprire prima possibile e combattere la malattia, può essere possibile usare questo tipo delle cellule per la diagnosi precoce di molte malattie differenti„, dice Mikael Benson.

Source:
Journal reference:

Gawel, D. et al. (2019) A validated single-cell-based strategy to identify diagnostic and therapeutic targets in complex diseases. Genome Medicine. doi.org/10.1186/s13073-019-0657-3