< Terug naar vorige pagina

Project

verbetering van immuno-oncologische diagnostiek door hoogdimensionale correlatieanalyse van histopathologie en proteomicsgegevens in monsters van borstkanker

Borstkanker blijft de meest voorkomende maligniteit bij vrouwen en wordt gekenmerkt door complexe onderliggende moleculaire mechanismen. Hoewel er belangrijke stappen zijn ondernomen om de ziekte onder controle te houden, sterven er nog steeds patiënten, wat verklaart waarom er meer onderzoek nodig is om patiënten beter te karakteriseren, diagnosticeren en behandelen met op maat gemaakte benaderingen. Het definiëren van de juiste pathologische diagnose blijft een belangrijk kenmerk in dit proces omdat het grotendeels de juiste prognose en therapeutische strategie definieert. In de huidige klinische routine is pathologische diagnostiek nog steeds grotendeels gebaseerd op morfologische kenmerken, waarvoor hematoxyline en eosine (H&E) -gekleurde kankerweefselschuiven de sleutel blijven. In tegenstelling tot de meeste moleculaire assays, behouden weefselsecties de oorspronkelijke weefselarchitectuur en bevatten als zodanig informatie over celstructuur / vorm en hun positie binnen hun oorspronkelijke ruimtelijke omgeving - kenmerken die steeds relevanter worden. Naast H & E-analyse worden een handvol moleculaire markers (bijv.PgR, ER, HER2 en Kl-67) geëvalueerd met behulp van immunohistochemie (IHC) met behulp van langzame, one-marker-at-the-time technieken. We hebben onlangs een revolutionaire multiplex IHC-analysemethode (MILAN) ontwikkeld die de evaluatie van meer dan 70 markers in een enkele weefselsectie mogelijk maakt, waardoor we de weefselarchitectuur met ongeziene resolutie in kaart kunnen brengen en ontleden. In de huidige MILAN-beoordeling zijn de morfologische kenmerken zoals gedefinieerd door H&E echter nog niet geïntegreerd, hoewel dit belangrijke informatie zou kunnen toevoegen om het weefsel te evalueren. In dit project zal ik daarom computationele tools ontwikkelen om inzichten verkregen door beide technologieën te integreren en de observaties te correleren aan klinische kenmerken (bijv. Respons op therapie). Als testset zal ik gegevens gebruiken die zijn verzameld via H&E en MILAN van monsters die zijn verzameld in de context van borstspecifieke biomarkeronderzoeken, zoals de window of opportunity trial BIOKEY waarin borstkankerpatiënten met verschillende surrogaatmoleculaire subtypes zijn behandeld met een immuuncontrolepunt remmende immunotherapie al dan niet in combinatie met standaard chemotherapie. Om dit doel te bereiken, zal ik gebruik maken van state-of-the-art deep learning en kunstmatige intelligentie methodes waarmee ik nieuwe bioinformatica pipelines zal ontwikkelen die kunnen evalueren hoe kenmerken van H&E correleren met die waargenomen bij MILAN en vice versa, en bepalen hoe de combinatie van beide methoden de diagnostiek zou kunnen verbeteren. Dit project zal daarom een van de meest gedetailleerde pathologische kaders voor borstkanker genereren, die, door mijn observaties te koppelen aan het reactievermogen op therapie, ook een grote rol zou kunnen spelen bij therapiekeuze

Datum:4 sep 2020  →  Heden
Trefwoorden:Breast cancer, immuno-oncology diagnostics
Disciplines:Single-cell data analyse, Structurele bio-informatica en computationele proteomics, Datavisualisatie en high-throughput beeldanalyse, Computationele biomodellering en machine learning, Bio-informatica van ziekten
Project type:PhD project