NetraMark Holdings Inc. kondigde de presentatie aan van nieuwe gegevens die beschrijven hoe haar eigen NetraAI klinische onderzoeksoplossing nieuwe biomarkers en eiwit-eiwit interactie (PPI) paden identificeerde die geassocieerd worden met specifieke vormen van niet-kleincellige longkanker (NSCLC) en colorectale kanker (CRC) met behulp van kleine datasets en een zelflerend algoritme dat grote trainingsdatasets overbodig maakt. Deze inzichten, of NetraPerspectives, hebben het potentieel om het landschap van de gepersonaliseerde geneeskunde te verbeteren door middel van strategieën voor patiëntenverrijking, terwijl ze ook nieuwe diagnostische en therapeutische wegen mogelijk maken, waardoor de patiëntenzorg en de resultaten bij deze complexe indicaties verbeteren. Dr. Joseph Geraci, PhD, oprichter en Chief Scientific Officer van NetraMark, presenteerde de gegevens gisteren in twee posters op de American Association of Cancer Research (AACR) Annual Meeting 2024, die plaatsvindt op 5-10 april 2024 in San Diego, Californië.

Beide posters werden gepresenteerd in de "Late-Breaking Research: Bioinformatics, Computational Biology, Systems Biology, and Convergent Science 2" sessie, die gisteren plaatsvond. De poster met de titel "NetraAI-driven discovery of novel biomarkers in MSI-high colon cancer for precision immunotherapy" (Abstract #LB395) beschrijft het gebruik van Attractor AI algoritmen om causale clusters van variabelen (hypotheses) te identificeren die specifieke subpopulaties van patiënten met microsatelliet instabiliteit-hoog (MSI-H) CRC verklaren. MSI-H tumoren worden gekenmerkt door een uitgebreide mutatielast, die de productie van neoantigenen bevordert en de zichtbaarheid van het immuunsysteem versterkt, waardoor ze uitstekende kandidaten zijn voor immunotherapie.

Deze zelfde factoren dragen echter bij aan de heterogeniteit die de werkzaamheid van doelgerichte therapieën verder bemoeilijkt. NetraAI werd toegepast op een dataset bestaande uit tienduizenden RNA-expressievariabelen van 390 monsters van CRC-patiënten. Deze profielen omvatten 44 MSI-H en 21 MSI-Lage (MSI-L) monsters en de gebruikte dataset bestond in totaal uit 22.283 variabelen.

De belangrijkste bevindingen van de analyse zijn In één NetraPerspective werd een MSI-H-subpopulatie geïdentificeerd, bestaande uit 29 MSI-H- en 2 MSI-L-monsters. Deze subpopulatie wordt gekenmerkt door expressie van CATSPERB (p=1,2 x 10-7), MLPH (p=4,9 x 10-5), FUT8 (p=8,6 x 10-5), DUSP4 (p=1,1 x 10-3), en PLLP (p=0,01). Het construeren van PPI-netwerken op basis van de geïdentificeerde variabelen suggereert een complexe wisselwerking tussen deze variabelen, met name in de context van spermatogenese.

Mismatch repair (MMR) is essentieel voor het waarborgen van de genetische integriteit tijdens de spermaproductie. De bevindingen van de NetraAI analyse suggereren dat defecten in MMR een oorzakelijke rol spelen in de genetische instabiliteit die gezien wordt in MSI-H CRC. De specificiteit van CATSPERB voor een MSI-H darmkanker subgroep plaatst het als een potentiële biomarker voor het identificeren van patiënten die baat zouden kunnen hebben bij een therapeutische aanpak op maat, wat bijdraagt aan het landschap van de gepersonaliseerde geneeskunde.

Het CATSPERB-eiwit wordt voornamelijk geassocieerd met calciumkanalen in sperma, maar de overexpressie ervan in een subgroep van MSI-H CRC-patiënten suggereert dat het eiwit calciumsignalering in tumorcellen kan moduleren, waarvan bekend is dat het een rol speelt in verschillende cellulaire processen die de proliferatie, overleving en uitzaaiing van kankercellen aansturen. De poster met de titel "De kracht van NetraAI: Precisiegeneeskunde in de oncologie door subinzichtelijk leren van kleine datasets" (Abstract #LB396) beschrijft het gebruik van Attractor AI-algoritmen om variabelen te identificeren die specifieke subpopulaties van patiënten met NSCLC definiëren. Een kleine dataset bestaande uit 104 genexpressiemonsters van adenocarcinoom (ADC) en plaveiselcelcarcinoom (SSC) werd samengesteld uit twee NSCLC-datasets.

De belangrijkste bevindingen van de analyse zijn Eén NetraPerspective toonde meerdere verklaarbare subpopulaties van NSCLC, voornamelijk gestratificeerd als ADC- of SCC-subpopulaties. Interessant genoeg waren er meerdere subpopulaties van elk subtype, wat suggereert dat verschillende combinaties van variabelen specifieke ADC- en SCC-subtypes aansturen. Onderzoek van elke subpopulatie met behulp van de unieke zoommogelijkheden van NetraAI identificeerde de specifieke patiënten en karakteriserende variabelen.

In één NetraPerspective maakte NetraAI onderscheid tussen ADC- en SCC-subtypes door middel van unieke genetische signaturen, waarbij 9 van de 10 variabelen correleerden met bekende NSCLC-markers. Dit valideert de methoden en technologie die door NetraAI worden gebruikt. PIGX kwam naar voren als een nieuw doelwit vanwege zijn voorheen onontdekte rol in de kankerbiologie.

Verder onderzoek naar PPI-netwerken onthulde een significante connectie tussen PIGX en BACE1, een eiwit dat betrokken is bij NSCLC-hersenmetastase. Dit opent nieuwe wegen voor het begrijpen van moleculaire mechanismen die ten grondslag liggen aan kankerprogressie en metastase. PIGX is ook gerelateerd aan PIGN, dat geassocieerd wordt met genomische instabiliteit en controleproteïnen voor spindelassemblage bij leukemietransformatie en -progressie reguleert.