Nanoporen-Sequenzierung zur schnellen Identifizierung von Tumortypen während der Operation

Einführung

Tumoren des zentralen Nervensystems (ZNS), insbesondere bei Kindern, gehören zu den tödlichsten Krebsarten. Die chirurgische Intervention dient in der Regel als primäre Behandlung für diese Erkrankung und stellt eine erhebliche Herausforderung für Neurochirurgen dar. Das richtige Gleichgewicht zwischen der Maximierung der Tumorentfernung und der Minimierung neurologischer Schäden sowie operationsbedingter Komplikationen ist von größter Bedeutung.

Die präoperative Kenntnis des genauen Tumortyps ist jedoch oft begrenzt, und der aktuelle Standard stützt sich stark auf präoperative Bildgebung und intraoperative Gefrierhistologie. Leider liefern diese Methoden gelegentlich unklare oder falsche Diagnosen, was eine Intervention des Pathologen für eine definitive Diagnose erforderlich macht, die typischerweise eine Woche nach der Operation erfolgt.

Über das Thema der Bearbeitungszeit hinaus erfordern verschiedene neurologische Tumoren maßgeschneiderte chirurgische Resektionsstrategien. Zum Beispiel bringt die vollständige Resektion im Fall von Medulloblastomen nur eine begrenzte prognostische Verbesserung im Vergleich zur nahezu vollständigen Resektion, was zeigt, dass eine maximale Resektion nicht immer der bevorzugte Ansatz für solche Tumoren ist. Im Gegensatz dazu können einige andere Tumoren von einem aggressiven Resektionsprotokoll profitieren. Dieses Dilemma verdeutlicht die Risiken einer übermäßigen Entfernung von gesundem Hirngewebe, die zu neurologischen Schäden führen kann, oder einer unvollständigen Tumorentfernung, die eine zweite Operation erforderlich macht und eine erhebliche Belastung für den Patienten und seine Familie darstellt.

Das Maß an Aggressivität in der Neurochirurgie hängt daher von der Erreichung einer genauen und zuverlässigen Tumordiagnose ab.

Stör und schnelle Nanoporen-Sequenzierung zur intraoperativen Tumordiagnose

Jeroen de Ridder und sein Team am UMC Medical Center in Utrecht, Niederlande, haben ihren Fokus neu ausgerichtet auf Nanoporen-SequenzierungDie Vorteile der Nanoporen-Sequenzierung, einschließlich ihrer Kosteneffizienz, der Echtzeit-Datenanalyse und der beschleunigten Probenvorbereitung, bieten enormes Potenzial für die Diagnose von Tumorsubtypen während chirurgischer Eingriffe. Folglich ermöglichen diese auf Nanoporen-Sequenzierung basierenden Technologien eine frühzeitige Analyse von Gewebeproben, wodurch Chirurgen ihre neurochirurgischen Strategien in Reaktion auf zeitnahe molekulare Diagnoserückmeldungen anpassen können.

Schematische Darstellung der Simulation, des Cross-Validation-Ansatzes und der Ergebnisse auf simulierten Daten. (Vermeulen et al., 2023)

Dennoch besteht die praktische Herausforderung, vor der Jeroen de Ridder und sein Team stehen, darin, dass die neurosurgische Entscheidungsfindung oft innerhalb eines engen Zeitrahmens von weniger als 90 Minuten erfolgt. Die Sequenzierung unter solchen Bedingungen erzeugt ein eher 'spärliches' Methylierungsprofil. Darüber hinaus bleibt die Identifizierung spezifischer CpG-Stellen im Genom, die abgedeckt werden und Methylierungssignale erzeugen, unvorhersehbar.

Um diese Probleme anzugehen, haben die Forscher ein fortschrittliches Deep-Learning-Tool namens 'Sturgeon' entwickelt. Dieser patientenunabhängige neuronale Netzwerk-Klassifikator ist fein abgestimmt, um mit spärlichen Daten umzugehen, und integriert modernste Technologien wie maschinelles Lernen, das zunehmend integraler Bestandteil des Nanopore-Sequenzierungsdatenanalyse Werkzeugkasten.

Was Sturgeon auszeichnet, ist die erhebliche Zuweisung von Rechenressourcen für das Training und die Validierung komplexer neuronaler Netzwerke vor der Operation. Dies unterscheidet es von bestehenden Klassifikationsalgorithmen, die auf der intraoperativen patientenspezifischen Modellausbildung basieren. Nach dem Training mit 36,8 Millionen simulierten Nanopore-Läufen und der Validierung mit weiteren 4,2 Millionen simulierten Nanopore-Sequenzierungsläufen zeigt Sturgeon eine bemerkenswerte Geschwindigkeit und benötigt nur wenige Sekunden, um auf einem Laptop zu laufen und eine präzise Tumortypbestimmung anhand von mit Nanopore erzeugten Methylierungsdaten zu liefern.

Die Forscher testeten die Leistung von Sturgeon, indem sie es auf einem retrospektiven CNS-Tumordatensatz anwendeten, der 50 CNS-Tumorproben und 415 öffentlich verfügbare Nanopore-Sequenzierungsdaten umfasste. Beeindruckenderweise klassifizierte das Modell die Mehrheit der Proben (45 von 50) basierend auf dem Äquivalent von 20-40 Minuten Sequenzierungsdaten und klassifizierte insgesamt 92,2 % (383 von 415) der Proben korrekt. Dies zeigt die konsistente und zuverlässige Leistung des Modells.

Klassifikationsleistung im Zeitverlauf bei Nanopore-Läufen, die aus Methylierungsarrays von pädiatrischen ZNS-Tumoren simuliert wurden. (Vermeulen et al., 2023)

Um die Praktikabilität von Sturgeon in Verbindung mit Rapid weiter zu bestätigen. Nanoporen-SequenzierungDie Forscher implementierten und evaluierten den gesamten Workflow in einer realen Umgebung, die 25 Resektionen von ZNS-Tumoren umfasste. Sie schlossen den gesamten Prozess erfolgreich ab, von der Probenentnahme bis zur Tumorklassifikation und -diagnose, innerhalb eines Zeitrahmens von 90 Minuten und erzielten 18 korrekte intraoperative Diagnosen – ein idealer Zeitrahmen zur Unterstützung chirurgischer Entscheidungen.

Nanoporen-Sequenzierungstechnologie

Nanoporen-Sequenzierung steht an der Spitze der modernen Gen-Sequenzierungstechnologien und zeichnet sich durch bemerkenswerte Eigenschaften aus, darunter Echtzeit-Sequenzierung, benutzerfreundliche Bedienung und schnelle Durchsatzraten. Seine Anwendungen gehen über die gesamte Genomsequenzierung und Transkriptomforschung hinaus und zeichnen sich insbesondere durch die direkte Analyse von Methylierung aus. Einer seiner wesentlichen Vorteile liegt darin, die Notwendigkeit von Nukleinsäure-PCR zu beseitigen, was eine nahtlose Methylierungsanalyse ohne zusätzliche Probenvorbereitung ermöglicht. Darüber hinaus liefert es Methylierungsinformationen in genomischen Regionen, die traditionellen Sequenzierungsmethoden möglicherweise entgehen oder eine Herausforderung darstellen.

Referenz:

1. Vermeulen, C. u. a. "Ultraschnelle tiefenlernbasierte Klassifikation von ZNS-Tumoren während der Operation." Natur (2023): 1-8.