מטרת החוקרים הייתה לבחון האם ניתן לעקוף עמידות של גליובלסטומה לטמוזולמיד באמצעות שילובי תרופות אופטימליים שתוכננו על ידי פרמקולוגיה מערכתית ולמידת מכונה.

גליובלסטומה (Glioblastoma GBM), גידול המוח השכיח והתוקפני ביותר בקרב מבוגרים, קשורה לפרוגנוזה עגומה למרות טיפול אינטנסיבי הכולל ניתוח, הקרנות וכימותרפיה מבוססת טמוזולומיד (temozolomide TMZ). העמידות הראשונית או הנרכשת של GBM ל-TMZ מושכת גישות של רפואה מדויקת לתכנון טיפולים פרמקולוגיים משולבים חדשים ויעילים. יש להתחשב בביטוי יתר של אנזים התיקון O6-methylguanine-DNA methyl-transferase (MGMT) האחראי לעמידות ל-TMZ בחולים.

לאחרונה, פורסמו בכתב העת British Journal of Pharmacology, ממצאיו של מחקר בו חוקרים ביקשו להעריך האם ניתן לעקוף עמידות של גליובלסטומה לטמוזולמיד באמצעות שילובי תרופות אופטימליים שתוכננו על ידי פרמקולוגיה מערכתית ולמידת מכונה.

החוקרים נקטו בגישה מקיפה המשלבת מודלים של מערכות פרמקולוגיה כמותיות (quantitative systems pharmacology QSP) ולמידת מכונה כדי לתכנן שילובי תרופות מבוססי TMZ שעוקפים את העמידות הראשונית לחומר האלקילציה.

מודל QSP המייצג את הפרמקוקינטיקה-פרמקודינמיקה התאית של TMZ ומסלולים לא מווסתים ב-GBM פותח ואושר באמצעות מערכי נתונים רב-סוגיים בעלי רזולוציה של זמן ומינון, הזמינים בתאי בקרה או בתאים בעלי ביטוי יתר של MGMT. סינון תרופות in silico ותיקוף ניסיוני שלאחר מכן זיהו אסטרטגיה להגברת הרגישות של תאים עמידים ל-TMZ, הכוללת שילוב של TMZ עם מעכבי תיקון ורקומבינציה הומולוגית. באמצעות למידת מכונה, נגזרו חתימות פונקציונליות של תגובה לטיפול רב-סוכני אופטימלי שכזה כדי לסייע בקבלת החלטות בחולים.

החוקרים הסיקו כי ממצאי המחקר הדגימו בהצלחה את הרלוונטיות של שילובי QSP ולמידת מכונה לתכנון שילובי תרופות יעילים המחזירים רגישות לתאי גליובלסטומה שעמידים בתחילה ל-TMZ. המסגרת שפותחה עשויה לשמש גם לזיהוי טיפולים מותאמים אישית, ולוחות זמנים למתן טיפולים על ידי הרחבתה כך שתתחשב במסלולי טיפול משתנים נוספים הספציפיים למטופל ובמאפיינים כלל-גופיים.

למקור:

https://bpspubs.onlinelibrary.wiley.com/doi/10.1111/bph.70027