Digitala tvillingar hjälpmedel för skräddarsydd medicinering

Avancerade datormodeller av sjukdomar kan användas för att förbättra diagnos och behandling. Målet är att utveckla modellerna till ”digitala tvillingar” av enskilda patienter för att kunna prova ut den bästa medicinen för just den patienten.

Forskarna har använt en metod som gör det möjligt att analysera genaktiviteten i tusentals enskilda celler, var och en för sig. Forskarna har använt en metod som gör det möjligt att analysera genaktiviteten i tusentals enskilda celler, var och en för sig. Magnus Johansson

Modellerna är resultatet av en internationell studie, publicerad i Genome Medicine.

Ett av vårdens största problem är att läkemedel är ineffektiva för mellan 40 och 70 procent av patienterna med vanliga sjukdomar. En viktig orsak är att sjukdomar sällan orsakas av ett enda, lätt behandlingsbart fel. Istället beror de flesta sjukdomar på förändrade interaktioner mellan tusentals gener i många olika celltyper. En annan anledning är att dessa interaktioner kan skilja sig åt mellan patienter med samma diagnos. Det finns ett stort gap mellan denna komplexitet och modern sjukvård. En internationell forskargrupp arbetar nu för att överbrygga detta gap genom att bygga datormodeller av de förändrade interaktionerna i många celltyper.

Skräddarsydd medicinering

– Vårt mål är att utveckla datormodellerna till ”digitala tvillingar” av enskilda patienters sjukdomar för att kunna skräddarsy medicinering till varje patient. Tanken är att varje tvilling med datorns hjälp behandlas med tusentals mediciner innan man väljer ut den bästa för att behandla patienten, säger Mikael Benson, professor vid Linköpings universitet, som också lett studien.

Forskarna började med att utveckla metoder för att konstruera digitala tvillingar med hjälp av en musmodell av ledgångsreumatism. De använde en ny teknik, enkelcells RNA-sekvensering, för att bestämma all genaktivitet i var och en av tusentals enskilda celler från de sjuka mössens leder. För att konstruera datormodeller använde forskarna nätverksanalys.

Pressmeddelande individualiserad medicin, professor Mikael Benson, IKE Foto Magnus Johansson– Nätverk kan användas för att beskriva och analysera de flesta komplexa system. Ett enkelt exempel är ett fotbollslag, där spelarna bildar ett nätverk utifrån hur de passar till varandra. Den spelare som passar till flest andra spelare kan vara viktigast, säger Mikael Benson.

Liknande principer användes för att konstruera mus-tvillingar, och för att identifiera den viktigaste celltypen. Den celltypen matchades med datorns hjälp med tusentals olika mediciner. Slutligen visade forskarna att den bästa medicinen kunde användas för att bota de sjuka mössen.

Diagnos av sjukdom

Studien visade också att datormodellerna kanske kan användas för att diagnostisera sjukdom hos människor. Forskarna fokuserade på samma celltyp som användes för läkemedelsidentifiering. Denna celltyp, T-celler, spelar en viktig roll i immunförsvaret och fungerar som ett fingeravtryck av hela den digitala tvillingen.

Forskarna analyserade T-celler från patienter med tretton olika sjukdomar, inklusive autoimmuna- och hjärt-kärlsjukdomar samt olika typer av cancer. De diagnostiska fingeravtrycken kunde användas för att inte bara skilja patienter från friska människor utan också skilja de flesta sjukdomarna från varandra.

– Eftersom T-celler fungerar som en typ av spionsatellit som kontinuerligt kartlägger kroppen för att upptäcka och bekämpa sjukdom så tidigt som möjligt kan det vara möjligt att använda dessa celler för tidig diagnos av många olika sjukdomar, säger Mikael Benson.

Studien bygger på ett tvärvetenskapligt samarbete mellan 30 forskare i Sverige, USA, Korea och Spanien. Forskningen har fått ekonomiskt stöd från EU, NIH, Svenska och Nordiska Forskningsrådet samt Cancerföreningen.


Artikeln: “A validated single-cell-based strategy to identify diagnostic and therapeutic targets in complex diseases”, Danuta R. Gawel, Jordi Serra-Musach, Sandra Lilja, Jesper Aagesen, Alex Arenas, Bengt Asking, Malin Bengnér, Janne Björkander, Sophie Biggs, Jan Ernerudh, Henrik Hjortswang, Jan-Erik Karlsson, Mattias Köpsén, Eun Jung Lee, Antonio Lentini, Xinxiu Li, Mattias Magnusson, David Martínez-Enguita, Andreas Matussek, Colm E. Nestor, Samuel Schäfer, Oliver Seifert, Ceylan Sonmez, Henrik Stjernman, Andreas Tjärnberg, Simon Wu, Karin Åkesson, Alex K. Shalek, Margaretha Stenmarker, Huan Zhang, Mika Gustafsson, Mikael Benson, (2019), Genome Medicine, publiceras online. DOI 10.1186/s13073-019-0657-3


Kontakt
Visa/dölj innehåll

Mer liknande forskning 
Visa/dölj innehåll

Mer om forskargruppens forskning
Visa/dölj innehåll

Senaste nytt från LiU
Visa/dölj innehåll