Ζητείται:Περισσότερα δεδομένα, όσο πιο βρώμικο τόσο το καλύτερο

Για να αποστάξουν ένα σαφές μήνυμα από τους αυξανόμενους σωρούς απείθαρχων γονιδιωματικών δεδομένων, οι ερευνητές συχνά στρέφονται στη μετα-ανάλυση - μια δοκιμασμένη και αληθινή στατιστική διαδικασία για το συνδυασμό δεδομένων από πολλαπλές μελέτες. Αλλά οι μελέτες που μπορεί να αναζητήσει μια μετα-ανάλυση για απαντήσεις μπορεί να αποκλίνουν ατελείωτα. Κάποιοι εγγράφονται μόνο άνδρες, άλλοι μόνο παιδιά. Ορισμένα γίνονται σε μια χώρα, άλλα σε μια περιοχή όπως η Ευρώπη. Κάποιοι εστιάζουν σε πιο ήπιες μορφές ασθένειας, άλλοι σε πιο προχωρημένες περιπτώσεις. Ακόμα κι αν οι στατιστικές μέθοδοι μπορούν να αντισταθμίσουν αυτού του είδους τις παραλλαγές, οι μελέτες σπάνια χρησιμοποιούν τα ίδια πρωτόκολλα και όργανα για τη συλλογή των δεδομένων ή το ίδιο λογισμικό για την ανάλυσή τους. Οι ερευνητές που εκτελούν μετα-αναλύσεις καταβάλλουν άπειρα μήκη προσπαθώντας να καθαρίσουν το πλήθος δεδομένων για να ελέγξουν αυτούς τους συγχυτικούς παράγοντες.

Ο Purvesh Khatri, ένας υπολογιστικός ανοσολόγος στο Πανεπιστήμιο του Στάνφορντ, πιστεύει ότι τα κάνουν όλα λάθος. Η προσέγγισή του στην ανακάλυψη του γονιδιώματος απαιτεί σάρωση δημόσιων αποθετηρίων για δεδομένα που συλλέγονται σε διαφορετικά νοσοκομεία σε διαφορετικούς πληθυσμούς με διαφορετικές μεθόδους - όσο πιο ακατάστατα είναι τα δεδομένα, τόσο το καλύτερο. «Ξεκινάμε με βρώμικα δεδομένα», λέει. "Εάν ένα σήμα κολλήσει παρά την ετερογένεια των δειγμάτων, μπορείτε να στοιχηματίσετε ότι πράγματι βρήκατε κάτι."

Αυτή η στρατηγική φαίνεται πολύ εύκολη, αλλά στα χέρια του Khatri, λειτουργεί. Αναλύοντας πλήθος δημόσιων δεδομένων, ο Khatri και οι συνεργάτες του ανακάλυψαν γονίδια που θα μπορούσαν να επιτρέψουν στους κλινικούς γιατρούς να ανιχνεύσουν απειλητικές για τη ζωή λοιμώξεις που προκαλούν σήψη, να ταξινομήσουν τις λοιμώξεις ως βακτηριακές ή ιογενείς και να πουν εάν κάποιος έχει μια συγκεκριμένη ασθένεια όπως φυματίωση, δάγγειος πυρετός ή ελονοσία. Πέρυσι ο Khatri και δύο άλλοι επιστήμονες δημιούργησαν μια εταιρεία για να αναπτύξει μια συσκευή για τη μέτρηση αυτών των γονιδιακών υπογραφών στο κρεβάτι ενός ασθενούς. Εν ολίγοις, αποκρυπτογραφούν την ανοσολογική απόκριση του ξενιστή και μετατρέπουν βασικά γονίδια σε διαγνωστικά.

Τον περασμένο χρόνο ο Khatri συζήτησε τις ιδέες του με το Quanta Magazine μέσω τηλεφώνου, μέσω email και από το γραφείο του στο Στάνφορντ με επένδυση από λευκό πίνακα. Ακολουθεί μια επεξεργασμένη και συνοπτική έκδοση των συνομιλιών.

Τι σας ώθησε στη βιολογία;

Έφυγα από την Ινδία και ήρθα στις ΗΠΑ με τη βιασύνη «διορθώστε το σφάλμα Y2K» με σχέδια να πάρω μεταπτυχιακό στην επιστήμη των υπολογιστών και να γίνω μηχανικός λογισμικού. Μήνες αφότου έφτασα στο Wayne State University στο Ντιτρόιτ, συνειδητοποίησα ότι το να γράφω λογισμικό για το υπόλοιπο της ζωής μου θα ήταν πραγματικά βαρετό. Μπήκα σε ένα εργαστήριο που εργάζεται σε νευρωνικά δίκτυα.

Αλλά μετά ο σύμβουλός μου άλλαξε στη βιοπληροφορική και είπε ότι θα πλήρωνε τα δίδακτρα μου αν άλλαζα μαζί του. Ήμουν ένας φτωχός Ινδός φοιτητής. Σκέφτηκα, «Θα πληρώσεις τον μισθό μου; Θα κάνω ό,τι κάνεις». Έτσι πέρασα στη βιολογία.

Έκανες ένα πάταγο πολύ γρήγορα. Πώς έγινε αυτό;

Ενώ ο σύμβουλός μου έλειπε το 2000-2001, εργάστηκα στο εργαστήριο κάνοντας αναλύσεις βιοπληροφορικής με έναν μεταδιδακτορικό στο εργαστήριο του συνεργάτη μας, έναν γυναικολόγο που μελετούσε γονίδια που εμπλέκονται στην ανδρική γονιμότητα. Οι μικροσυστοιχίες για την εκτέλεση αναλύσεων σε μεγάλους αριθμούς γονιδίων ταυτόχρονα ήταν ολοκαίνουργιες. Από ένα πρόσφατο πείραμα, είχε λάβει μια λίστα με περίπου 3.000 γονίδια ενδιαφέροντος και προσπαθούσε να καταλάβει τι έκαναν.

Μια μέρα τον είδα να πηγαίνει από τον έναν ιστότοπο στον άλλο, αντιγράφοντας και επικολλώντας κείμενο σε υπολογιστικά φύλλα του Excel. Του είπα, «Ξέρεις, μπορώ να σου γράψω λογισμικό που θα τα κάνει όλα αυτά αυτόματα. Πες μου μόνο τι κάνεις». Έτσι έγραψα ένα σενάριο για αυτόν — μου πήρε τρεις μέρες — και με τα αποτελέσματα γράψαμε ένα Lancet χαρτί.

Βάζουμε το λογισμικό στον Ιστό. Υπήρχε τεράστιο ενδιαφέρον. Το παρουσίασαν σε κάποιο συνέδριο και η Pfizer ήθελε να το αγοράσει. Σκέφτηκα, ουάου, αυτό είναι τόσο χαμηλό φρούτο. Μπορώ να γίνω εκατομμυριούχος σύντομα.

Τι κάνει το λογισμικό;

Παίρνει το σύνολο των γονιδίων που καθορίζετε και αναζητά βάσεις δεδομένων σχολιασμού για να σας πει ποιες βιολογικές διεργασίες και μοριακές οδούς εμπλέκονται αυτά τα γονίδια. Εάν έχετε μια λίστα με 100 γονίδια, θα μπορούσε να σας πει ότι 15 εμπλέκονται στην ανοσολογική απόκριση, άλλα 15 εμπλέκονται στην αγγειογένεση και 50 παίζουν ρόλο στο μεταβολισμό της γλυκόζης. Ας υποθέσουμε ότι μελετάτε τον διαβήτη τύπου 1. Θα μπορούσατε να δείτε αυτά τα αποτελέσματα και να πείτε, "Είμαι στο σωστό δρόμο."

Ήταν πριν από 15 χρόνια, όταν έπαιρνα το μεταπτυχιακό μου. Ανέπτυξα περισσότερα εργαλεία και επέκτεινα την εργασία σε Ph.D. Είναι πλέον μια σουίτα εργαλείων ανοιχτής πρόσβασης, βασισμένη στον ιστό, που ονομάζεται Onto-Tools. Την τελευταία φορά που έλεγξα πριν από μερικά χρόνια, είχε 15.000 χρήστες από πολλές χώρες, οι οποίοι αναλύουν κατά μέσο όρο 100 σύνολα δεδομένων την ημέρα.

Αν και τα εργαλεία έγιναν πολύ δημοφιλή, δεν μου έλεγαν πώς χρησιμοποιούνται τα αποτελέσματα, πώς βοηθούν τους ανθρώπους. Ήθελα να δω πώς εξελίσσεται η έρευνα από αναλύσεις βιοπληροφορικής σε εργαστηριακά πειράματα και τελικά σε κάτι που θα μπορούσε να βοηθήσει τους ασθενείς.

Πώς κάνατε αυτήν την αλλαγή;

Όταν ήρθα στο Στάνφορντ ως μεταδιδάκτορας το 2008, ένας από τους όρους μου ήταν ότι κάποιος με ένα υγρό εργαστήριο - κάποιος που έκανε πειράματα σε δείγματα από ποντίκια ή πραγματικούς ασθενείς, όχι απλώς αναλύοντας δεδομένα σε silico - θα πλήρωνε το μισό μισθό μου, γιατί ήθελα το δέρμα τους στο παιχνίδι. Ήθελα να κάνω προβλέψεις χρησιμοποιώντας μεθόδους που θα ανέπτυξα σε ένα εργαστήριο και στη συνέχεια να συνεργαστώ με ένα άλλο εργαστήριο για να επικυρώσω αυτές τις προβλέψεις και να μου πω τι είναι κλινικά σημαντικό. Έτσι κατέληξα να συνεργάζομαι με τον Atul Butte, βιοπληροφορικό, και τη Minnie Sarwal, ιατρό νεφρικής μεταμόσχευσης. [Σημείωση του συντάκτη:Ο Butte και ο Sarwal έχουν μετακομίσει και οι δύο από το Στάνφορντ στο Πανεπιστήμιο της Καλιφόρνια στο Σαν Φρανσίσκο.]

Τι άλλαξε την προσοχή σας στην ανοσολογία;

Διαβάζοντας έγγραφα για να μάθω τη βασική βιολογία της απόρριψης μοσχεύματος οργάνων, είχα ένα "Αχα!" στιγμή. Συνειδητοποίησα ότι οι χειρουργοί μεταμόσχευσης καρδιάς, χειρουργοί μεταμόσχευσης νεφρού και χειρουργοί μεταμόσχευσης πνευμόνων δεν μιλούν πραγματικά μεταξύ τους!

Ανεξάρτητα για το όργανο που διάβαζα, είδα ένα κοινό θέμα:Τα Β κύτταρα και τα Τ κύτταρα του ανοσοποιητικού συστήματος του λήπτη του μοσχεύματος επιτέθηκαν στο μόσχευμα. Ωστόσο, τα διαγνωστικά κριτήρια για την απόρριψη ήταν διαφορετικά - οι νεφροί ακολουθούσαν τα κριτήρια Banff για απόρριψη νεφρικού μοσχεύματος, οι άνθρωποι καρδιάς και πνευμόνων ακολουθούσαν τα κριτήρια ISHLT [Διεθνής Εταιρεία Μεταμόσχευσης Καρδιάς και Πνεύμονα]. Εάν ο βιολογικός μηχανισμός είναι κοινός, γιατί υπάρχουν διαφορετικά διαγνωστικά κριτήρια; Αυτό δεν είχε νόημα για μένα ως επιστήμονα υπολογιστών.

Άρχιζα να σχηματίζω μια υπόθεση ότι πρέπει να υπάρχει ένας κοινός μηχανισμός - κάποια κοινή σκανδάλη που λέει στα ανοσοκύτταρα του δέκτη ότι κάτι «δεν είναι εαυτός». Ενώ το σκεφτόμουν αυτό, έπεσα πάνω σε ένα φανταστικό χαρτί με τίτλο «Η ανοσολογική σταθερά της απόρριψης». Οι συγγραφείς βασικά διατύπωσαν την υπόθεσή μου. Πρότειναν ότι ενώ τα ερεθίσματα για την απόρριψη οργάνων μπορεί να διαφέρουν, μοιράζονται ένα κοινό μονοπάτι. Και έλεγαν ότι κάποιος πρέπει να το δοκιμάσει.

Τι κάνατε σε εκείνο το σημείο;

Άρχισα να ρωτάω τους συναδέλφους μου:«Γιατί δεν αρχίζουμε να συλλέγουμε δείγματα από διάφορες ομάδες μεταμοσχεύσεων οργάνων και να κάνουμε την ανάλυση για να μάθουμε ποια κοινά γονίδια εμπλέκονται;» Είπαν ότι δεν μπορείτε να το κάνετε γιατί θα έπρεπε να λογοδοτήσετε για όλη την ετερογένεια - διαφορετικά όργανα, διαφορετικές τεχνολογίες μικροσυστοιχιών, διαφορετικά πρωτόκολλα θεραπείας. Θα ήταν ακριβό να ελέγξετε όλα αυτά.

Επιπλέον, θα χρειαστούν χρόνια για να κάνουμε όλους να συνεισφέρουν όλα αυτά τα δείγματα. Βιαζόμουν. Έτσι, ο Atul πρότεινε να κρατηθούν τα υπάρχοντα δημόσια δεδομένα. Αλλά αυτά τα δεδομένα είναι "βρώμικα", καθώς συγχέονται από μια σειρά βιολογικών και τεχνικών παραγόντων.

Αναρωτήθηκα αν έπρεπε πραγματικά να ελέγξουμε την ετερογένεια. Αν υπάρχουν όλα αυτά τα «βρώμικα» δεδομένα, ίσως θα μπορούσαμε να τα συνδυάσουμε με κάποιο τρόπο. Και αν βρίσκαμε ένα σήμα, παρά την ετερογένεια, δεν θα λέγατε, ω, αυτό θα έπρεπε να κοιτάξω;

Άρχισα να το δουλεύω.

Τι συνέβη στην πρώτη προσπάθεια;

Πήγα στον ιστότοπο Gene Expression Omnibus και κατέβασα δεδομένα από διάφορες μελέτες μεταμόσχευσης οργάνων - καρδιά, νεφρό, πνεύμονες, ήπαρ. Τα δεδομένα προέρχονταν από πέντε νοσοκομεία και χρησιμοποιούσαν τουλάχιστον δύο διαφορετικά διαγνωστικά κριτήρια. Επειδή δεν πετάγαμε "ασύμβατα" δεδομένα, ορίσαμε το [επιτρεπόμενο] ποσοστό ψευδούς ανακάλυψης υψηλότερο από το συνηθισμένο (20 τοις εκατό αντί για το συνηθισμένο 5 τοις εκατό). Ήμασταν πρόθυμοι να λάβουμε περισσότερα ψευδώς θετικά στοιχεία, εάν μπορούσαμε να βρούμε έναν κοινό μηχανισμό σε όλες τις απορρίψεις μοσχευμάτων στερεών οργάνων. Ελέγξαμε κάποια άλλα πράγματα, όπως να βεβαιωθούμε ότι ένα σύνολο δεδομένων δεν οδήγησε σε όλα τα αποτελέσματα και κάναμε ορισμένα πρόσθετα βήματα για να βεβαιωθούμε ότι δεν αλλάζαμε απλώς ένα σωρό γονίδια. Και λειτούργησε.

Τι εννοείτε με τον όρο "εργάστηκε";

Χρησιμοποιώντας πολλά ετερογενή δεδομένα, βρήκαμε ένα σύνολο 11 γονιδίων που υπερεκφράζονται σε ασθενείς που απέρριψαν τα μοσχεύματα τους και δείξαμε ότι μπορούσαμε να επικυρώσουμε αυτή την υπογραφή γονιδίου σε άλλες κοόρτες από διαφορετικά νοσοκομεία σε διαφορετικές χώρες. Επιπλέον, χρησιμοποιώντας αυτό το σύνολο γονιδίων, θα μπορούσαμε να προβλέψουμε - από μια βιοψία έξι μήνες μετά τη χειρουργική επέμβαση μοσχεύματος - ποιοι ασθενείς θα εμφανίσουν σημαντικό υποκλινικό τραυματισμό του μοσχεύματος (μια δυσκολότερη κατάσταση να ανιχνευθεί από την οξεία απόρριψη) 18 μήνες αργότερα. Επομένως, ήταν επίσης ένας προγνωστικός δείκτης.

Επιβεβαιώσαμε αυτά τα αποτελέσματα σε ποντίκια. Πήραμε μια καρδιά από ένα ποντίκι, την βάλαμε σε ένα άλλο ζώο και ρωτήσαμε:Αλλάζουν αυτά τα γονίδια όταν βλέπουμε απόρριψη μοσχεύματος; Η απάντηση ήταν ναι.

Στη συνέχεια κάναμε μια αναζήτηση στο Google για να βρούμε φάρμακα των οποίων οι μηχανισμοί υποδηλώνουν ότι ρυθμίζουν τις βιολογικές διαδικασίες των γονιδίων που είχαμε βρει. Επιλέξαμε δύο φάρμακα εγκεκριμένα από την FDA για να δοκιμάσουμε στα ποντίκια μας. Ιδού, δούλεψαν. Και τα δύο φάρμακα μείωσαν τα ανοσοδιηθητικά κύτταρα του ανοσοποιητικού συστήματος [δείκτης απόρριψης]. Έμοιαζαν τόσο καλά όσο ένα φάρμακο που δίνουμε αυτήν τη στιγμή σε μεταμοσχευμένους ασθενείς.

Ένα από αυτά τα δύο φάρμακα είναι μια στατίνη, ένα φάρμακο που συνταγογραφείται ευρέως για την πρόληψη καρδιακών παθήσεων. Ζήτησα βοήθεια από έναν πρώην συνάδελφο που εργάζεται τώρα στο Βέλγιο και έχει πρόσβαση σε ηλεκτρονικά ιατρικά αρχεία που χρονολογούνται από το 1989. Του ζήτησα να ψάξει στη βάση δεδομένων για ασθενείς που υποβλήθηκαν σε μεταμόσχευση νεφρού και να δω ποια φάρμακα πήραν, όταν τα μοσχεύματα τους απέτυχαν, όλα από αυτό. Έκανε την ανάλυση και μια εβδομάδα αργότερα μου είπε:«Μάντεψε τι; Εάν οι ασθενείς λάμβαναν στατίνες, το ποσοστό αποτυχίας του μοσχεύματός τους μειώθηκε κατά 30 τοις εκατό."

Διάγνωση, πρόγνωση, θεραπεία και επικύρωση των ευρημάτων έναντι ηλεκτρονικών ιατρικών αρχείων — όλα σε ένα χαρτί.

Δεν καταλαβαίνω πώς διαφέρει η προσέγγισή σας από την παραδοσιακή μετα-ανάλυση. Τι είναι ουσιαστικά διαφορετικό;

Η μεγαλύτερη διαφορά είναι ότι η ομάδα μας αγνοεί την ετερογένεια μεταξύ των συνόλων δεδομένων, ενώ στην παραδοσιακή μετα-ανάλυση διδασκόμαστε να μειώνουμε την ετερογένεια.

Οι άνθρωποι λένε, για παράδειγμα, «Δεν πρόκειται να χρησιμοποιήσω αυτό το δείγμα επειδή αυτός ο ασθενής είχε διαφορετική φαρμακευτική αγωγή. Ή ίσως αυτοί οι ασθενείς ήταν νωρίς μετά τη μεταμόσχευση, ενώ αυτό το άλλο σύνολο δεδομένων είναι αργά, πέντε χρόνια μετά τη μεταμόσχευση, οπότε δεν πρόκειται να χρησιμοποιήσω αυτά τα δεδομένα». Στη βιοπληροφορική, μάθαμε να παίρνουμε σύνολα δεδομένων και να επιλέγουμε δείγματα, διασφαλίζοντας ότι δεν υπάρχει θόρυβος, δεν υπάρχουν παράγοντες σύγχυσης.

Αλλά όταν το κάνουμε αυτό, δεν αποτυπώνει την ετερογένεια της νόσου. Ξέρουμε ότι. Γι' αυτό πρέπει να επαναλάβουμε τα ευρήματα σε άλλες κοόρτες.

Αυτό που λέω είναι, μην ανησυχείτε για την ετερογένεια. Η χρήση βρώμικων δεδομένων σάς επιτρέπει να λάβετε υπόψη την κλινική ετερογένεια.

Αλλά για να είμαι σίγουρος ότι η ετερογένεια δεν επρόκειτο να χαλάσει τα αποτελέσματά μου, έθεσα αυστηρά κριτήρια για να επικυρώσω ότι οι στατιστικές συσχετίσεις που βρήκαμε μεταξύ γονιδίων και ιατρικών καταστάσεων δεν ήταν τυχαία. Η επικύρωση έπρεπε να γίνει σε μια ανεξάρτητη ομάδα που δεν ήταν μέρος του συνόλου ανακάλυψης. Με άλλα λόγια, εάν ένα εργαστήριο είχε δημοσιευμένα περισσότερα από ένα σύνολα δεδομένων, έκανα κάθε σύνολο δεδομένων είτε μια ανακάλυψη είτε μια κοόρτη επικύρωσης a priori. [Σημείωση του συντάκτη: Παραδοσιακά, οι ερευνητές συχνά χωρίζουν μια ομάδα συμμετεχόντων σε δύο υποομάδες: μια ομάδα «ανακάλυψης» που θα εξορυχθεί για γονίδια που σχετίζονται με μια συγκεκριμένη κατάσταση και μια ομάδα «επικύρωσης», την οποία αναλύουν χωριστά για να επικυρώσουν τα γονίδια που προσδιορίζονται στο ομάδα ανακάλυψης.]

Αυτή η προσέγγιση λειτούργησε. Τα γονίδια που εντοπίσαμε χρησιμοποιώντας πολλά βρώμικα δεδομένα — όπου μόλις λάβαμε όλη τη βιολογική και τεχνολογική ετερογένεια που μπορούσαμε να βρούμε — μπορέσαμε να επικυρώσουμε σε κοόρτες που προέρχονταν από διαφορετικές ομάδες σε διαφορετικά νοσοκομεία σε διαφορετικές χώρες.

Το περασμένο φθινόπωρο δημοσιεύσαμε ένα σύνολο οδηγιών, ώστε ο καθένας να μπορεί να το κάνει αυτό. Συγκρίνει διάφορες μεθόδους και είναι αρκετά τεχνικό, αλλά εδώ είναι το σημείο αναφοράς:Η αναπαραγωγιμότητα είναι καλή (μεγαλύτερη από 85 τοις εκατό) όταν χρησιμοποιείτε τρία έως πέντε σύνολα δεδομένων με συνολικά 200-250 δείγματα. Ποια μέθοδος μετα-ανάλυσης θα επιλέξετε δεν είναι σημαντική. Αυτό που πραγματικά έχει σημασία δεν είναι να έχουμε ένα μεγάλο, ομοιογενές σύνολο δεδομένων, αλλά μάλλον πολλαπλά ετερογενή σύνολα δεδομένων.

Η μέθοδός μας, MetaIntegrator, είναι διαθέσιμη στο CRAN, ένα αποθετήριο ανοιχτής πρόσβασης για προγράμματα γραμμένα σε R.

Πρόσφατα, κάναμε μια ανάλυση που έδειξε ότι η χρήση βρώμικων δεδομένων δεν είναι απλώς καλή, αλλά απαραίτητη, λόγω των προκαταλήψεων της έρευνας στη βιβλιογραφία. Μόλις δημοσιεύσαμε την προεκτύπωση στο biorxiv.org. Η ουσία είναι ότι ο σχηματισμός υποθέσεων με βάση αυτά που έχουν δημοσιευτεί μοιάζει με την αναζήτηση των κλειδιών σας κάτω από μια τυχαία λάμπα δρόμου, επειδή εκεί είναι καλύτερο το φως.

Λειτουργεί η προσέγγισή σας σε άλλα σενάρια εκτός από την απόρριψη μοσχεύματος;

Έχουμε εφαρμόσει αυτό το πλαίσιο στον καρκίνο και σε λοιμώδεις και αυτοάνοσες ασθένειες. Για παράδειγμα, ένας φίλος μου εργάζεται σε καρκίνους που προκαλούνται από μεταλλάξεις σε ένα γονίδιο που ονομάζεται KRAS . Ήρθε σε μένα και με ρώτησε, "Έχω αυτά τα πέντε γονίδια που με ενδιαφέρουν. Μπορείτε να κάνετε την ανάλυσή σας και να μου πείτε σε ποια πρέπει να εστιάσω;"

Έτρεξα τη μέθοδο σε 13 σύνολα δεδομένων:έξι για τον καρκίνο του παγκρέατος, επτά για τον καρκίνο του πνεύμονα. Ό,τι κι αν έκανα, ένα γονίδιο εμφανιζόταν πάντα να αλλάζει περισσότερο. Έτρεξε με αυτό το αποτέλεσμα και ανακάλυψε έναν μηχανισμό, και έγινε Φύση χαρτί.

Ήταν το 2014, λίγο πριν φτάσει ένας ντόπιος μαθητής της 10ης δημοτικού για να κάνει μια καλοκαιρινή ερευνητική εργασία. Τι του προτείνατε;

Σκεπτόμενος περισσότερα για τα 11 γονίδια από το έργο της μεταμόσχευσης οργάνων, άρχισα να αναρωτιέμαι:Πόσο συγκεκριμένο είναι αυτό το σύνολο γονιδίων; Αυξάνονται αυτά τα ίδια 11 γονίδια όταν έχετε μόλυνση; Τι γίνεται με τον καρκίνο; Αυτοάνοση νόσο;

Είπα στον μαθητή, που περνούσε ένα καλοκαίρι δουλεύοντας μαζί μου, ας αρχίσουμε να συλλέγουμε δεδομένα για όλες αυτές τις διαφορετικές ασθένειες. Απλώς κατεβάστε τα δεδομένα, εκτελέστε τη διοχέτευσή μας και δείξτε μου τις υπογραφές γονιδίων — τη λίστα των γονιδίων των οποίων η έκφραση αλλάζει για κάθε κατάσταση. Χρησιμοποίησε 173 σύνολα δεδομένων μικροσυστοιχιών, με περισσότερα από 8.000 ανθρώπινα δείγματα που προέρχονται από 42 ασθένειες. Βακτηριακές λοιμώξεις, ιογενείς λοιμώξεις, αυτοάνοσες και νευροεκφυλιστικές διαταραχές, ψυχιατρικές παθήσεις, καρκίνοι.

Πέρασε το καλοκαίρι κατεβάζοντας δεδομένα, τοποθετώντας τα στη βάση δεδομένων μας και σχολιάζοντας τα — αν ήταν περίπτωση ή έλεγχος, ποια ασθένεια, ποιος ιστός. Για κάθε ασθένεια, εντόπισε μια γονιδιακή υπογραφή. Με βάση αυτές τις υπογραφές, συσχέτισε κάθε ασθένεια με κάθε άλλη ασθένεια. Απλή συσχέτιση:Εάν ένα γονίδιο είναι επάνω σε αυτήν την ασθένεια, είναι και σε αυτήν την άλλη ασθένεια; Μετά έκανε ιεραρχική ομαδοποίηση. Το πιο απλό πράγμα που θα μπορούσατε να φανταστείτε.

Μου ήρθε με μια εικόνα - μια μήτρα που συνοψίζει όλα αυτά τα αποτελέσματα - και τη χρησιμοποιούσα ως πηγή νέων ερωτήσεων για να απαντήσω. Το καλοκαιρινό έργο ενός μαθητή γυμνασίου έθεσε τη βασική ερευνητική κατεύθυνση στο εργαστήριό μου!

Ποια είναι μερικά πρόσφατα ευρήματα;

Ο Tim Sweeney, κάτοικος χειρουργικής στο Στάνφορντ που έκανε μεταπτυχιακό στη βιοϊατρική πληροφορική στο εργαστήριό μου, χρησιμοποίησε αυτήν την προσέγγιση πριν από μερικά χρόνια για να καταλάβει συστηματικά τι προκαλεί την ανοσολογική απόκριση - όπως ένα διάγραμμα ροής. Πρώτα το χρησιμοποίησε για να βρει μια υπογραφή γονιδίου για να διακρίνει τη σήψη από τη μη μολυσματική φλεγμονή και, στη συνέχεια, για να διακρίνει εάν πρόκειται για βακτηριακή ή ιογενή λοίμωξη. Αν είναι ιογενής, είναι γρίπη ή κάτι άλλο; Εάν είναι βακτηριακό, είναι φυματίωση; Και εκτός από βακτήρια και ιούς, μολύνσεις μπορούν επίσης να προκληθούν από παράσιτα. Πρόσφατα εντοπίσαμε μια γονιδιακή υπογραφή για την απόκριση ενός ατόμου στην ελονοσία. Μπορούμε τώρα να απαντήσουμε σε όλες αυτές τις ερωτήσεις μετρώντας την έκφραση γονιδίων στην ανοσολογική απόκριση του ξενιστή.

Τον περασμένο Μάιο, ο Tim και εγώ βοηθήσαμε να ιδρύσουμε μια εταιρεία, την Inflammatix, για την εμπορευματοποίηση των διαγνωστικών μας που βασίζονται σε «βρώμικα δεδομένα». Η εταιρεία έχει αδειοδοτήσει αυτές τις υπογραφές από το Stanford και θα αναπτύξει μεθόδους για να αξιοποιήσει τα βρώμικα δεδομένα στις πραγματικές τους δυνατότητες. Νομίζω ότι δεν έχουμε καν χαράξει την επιφάνεια του τι μπορούμε να κάνουμε με τα διαθέσιμα δεδομένα.

Ακόμη ένα πράγμα. Στην Έρευνα για τον Καρκίνο του 2014 δείξαμε ότι το ένζυμο PTK7 παίζει σημαντικό ρόλο στον καρκίνο του πνεύμονα. Εάν μειώσετε τα επίπεδα του, οι όγκοι αρχίζουν να συρρικνώνονται. Την εποχή που το PTK7 ήταν αυτό που ονομάζεται «ορφανός υποδοχέας κινάσης τυροσίνης» - δεν ήταν γνωστό πού δεσμεύεται στο σώμα. Ωστόσο, νωρίτερα φέτος η Pfizer δημοσίευσε μια έκθεση σχετικά με ένα φάρμακο που στοχεύει το PTK7 για μη μικροκυτταρικό καρκίνο του πνεύμονα.

Όλα αυτά φαίνεται ότι θα έπειθαν άλλους ερευνητές να ακολουθήσουν την προσέγγισή σας. Έχουν;

Η ανησυχία μου ήταν ότι τη στιγμή που δημοσιεύαμε αυτό, θα υπήρχαν τόσοι πολλοί άνθρωποι που θα μας ανταγωνίζονταν. Ωστόσο, τώρα είναι στον δημόσιο τομέα και σχεδόν κανείς δεν το χρησιμοποιεί!

Όταν παρουσιάζω αυτήν την προσέγγιση, λαμβάνω μετατροπείς. Αλλά μέχρι τότε λαμβάνω κριτικές επιχορηγήσεων όπως αυτή που δημοσίευσα στο Twitter τις προάλλες:Ο κύριος ερευνητής «φαίνεται να του αρέσουν τα φωτεινά αντικείμενα και να πετάει από το ένα λαμπερό έργο στο άλλο χωρίς εστίαση».

Αυτή είναι λοιπόν η πρόκληση μου. Πώς θα τους πείσουμε;