Bättre cancervård i sikte med ny blodprovsanalys

Att via blodprov analysera förändringar i tumör-DNA är en teknik som för närvarande utforskas i flera kliniska studier globalt. Dagens analysmetoder fungerar bra när mängden cancer-DNA är relativt stor, omkring 15–20 procent av den totala mängden DNA i blodet. Men cancer-DNA-halten är ofta betydligt lägre än så. Det kan leda till att provkvaliteten inte är tillräckligt bra för detaljerade analyser.

– Vi ville ta fram en metod som fungerar särskilt bra i svåra fall när det finns väldigt lite cancer-DNA i blodet och mycket så kallat brus, det vill säga främst friskt DNA. Våra resultat visar att den nya metoden fungerar bättre när det gäller dåliga prover där andelen cancer-DNA ligger runt 5 procent. Den fungerar alltså precis som vi hoppats, säger Lotta Eriksson, doktorand vid institutionen för matematiska vetenskaper vid Chalmers och Göteborgs universitet. 

Bättre uppföljning och individanpassad behandling

Blodbaserade metoder som testas i kliniska studier används ofta för att avgöra om cancer överhuvudtaget kan upptäckas. Att få en mer detaljerad bild är svårare, bland annat på grund av höga kostnader och låg provkvalitet.

Den nya metoden, BayesCNA, kan ta fram information som tidigare varit dold i lågkvalitativa prover och ge mer detaljer om tumörens sammansättning. Det kan bidra till bättre förståelse av hur cancern förändras över tid hos en patient.

– När behandlingen fungerar minskar mängden cancer-DNA i blodet kraftigt. Då blir det svårare att både upptäcka cancern och följa hur den förändras. För att få en tydligare bild av hur patienten svarar på behandling är det viktigt att kunna analysera prover med låga halter av cancer-DNA, säger Eszter Lakatos, biträdande universitetslektor vid institutionen för matematiska vetenskaper vid Chalmers och Göteborgs universitet.

I dag krävs ett vävnadsprov från själva tumören för att få detaljerad information om dess sammansättning. Möjligheten att följa tumörens utveckling med hjälp av blodprov skulle kunna leda till betydligt bättre vård för cancerpatienter.

– En patient opereras kanske en eller två gånger, medan blodprov kan tas med bara några veckors mellanrum i samband med behandling. Om vi kan få information om tumörförändringar från dessa prover kan vi följa utvecklingen mycket närmare och se vad som händer mellan behandlingarna. Det kan hjälpa läkare att fatta mer välinformerade beslut, till exempel att anpassa behandlingen efter tumörens sammansättning, säger Eszter Lakatos. 

Statistisk metod förstärker svaga signaler

Metoden är utvecklad för att analysera data från så kallad lågupplöst helgenomsekvensering, en teknik som resulterar i en översiktlig bild av DNA-strukturen. Tekniken har stora ekonomiska fördelar men ger begränsad information eftersom datakvaliteten är låg.

– Man kan jämföra det med att bläddra igenom en bok i stället för att läsa den noggrant. Vi får en överblick över DNA-strukturen, men ingen detaljerad bild, säger Eszter Lakatos.

Med hjälp av en statistisk algoritm kan den nya metoden förstärka de mycket svaga signaler som finns i den här typen av prover.

– I dag löser man mycket med maskininlärning, och vi testade sådana metoder först. Men till vår förvåning visade det sig att klassisk statistik fungerade bättre i det här fallet, vilket gjorde oss matematiker och statistiker extra glada, säger Lotta Eriksson. 

Siktar på kliniska studier

Nästa steg i forskningen är att analysera den information om tumörers sammansättning som metoden ger. Forskarna vill utveckla ytterligare en metod för att identifiera de dolda egenskaper hos cancern som påverkar hur patienten svarar på behandlingen.

– Om vi kan visa att den här informationen är användbar kan det förhoppningsvis leda till fler samarbeten och att vår metod används bredare inom forskningen. På sikt hoppas jag att metoderna vi utvecklar kan användas i kliniska studier och förhoppningsvis göra skillnad för vården av cancerpatienter, säger Eszter Lakatos.

Forskningen: “Sensitive detection of copy number alterations in low-pass liquid biopsy sequencing data”. Författare till studien är Lotta Eriksson och Eszter Lakatos, båda aktiva vid institutionen för matematiska vetenskaper på Chalmers tekniska högskola och Göteborgs universitet. Studien har finansierats av Vetenskapsrådet och Chalmers styrkeområde Hälsa och teknik.

Artikel: https://academic.oup.com/bib/article/27/2/bbag111/8524997

Källa: Chalmers tekniska högskola.