Een uitgebreide meerledige karakterisering van intratumorale heterogeniteit in pancreas ductaal adenocarcinoom

Gerichte Gift
lopend
Beschikbaar voor gerichte giften

Onderzoekssamenvatting

Pancreas ductaal adenocarcinoom (PDAC) heeft een 5-jaarsoverleving van slechts 5%. Onderzoek naar hoe PDAC-tumoren therapieresistent worden, metastaseren of terugkomen, en naar de ontwikkeling van nieuwe therapieën, wordt bemoeilijkt door de grote inter- en intratumorheterogeniteit. Tumorheterogeniteit wordt vaak onderzocht op basis van genexpressieprofielen. Deze methode geeft weinig informatie over de tumormicro-omgeving (TME), terwijl die tegenwoordig wordt gezien als een kritisch onderdeel van PDAC-biologie.

Interacties tussen onderdelen van de TME en tumorcellen dragen mogelijk bij aan ontsnapping aan het immuunsysteem, waardoor immunotherapie faalt. Singlecelltechnologieën, zoals singlecell-RNA-sequencing en mass cytometry, zijn uitermate geschikt voor het uitpluizen van de samenstelling van de TME. Helaas hebben deze technologieën meerdere nadelen, waaronder:

  1. hoge kosten;
  2. een lage signal-to-noise ratio;
  3. tijdrovende verwerking van vers weefsel.

Onderzoeksrichting / voorgestelde oplossing

We willen de intratumorheterogeniteit van PDAC karakteriseren met betrekking tot:

  1. celfracties;
  2. gedetailleerde moleculaire eigenschappen van elk celtype;
  3. cellulaire interacties binnen de TME.

We bouwen voort op ons bestaande machinelearningalgoritme BLADE (Bayesian LognormAl DEconvolution), dat uit bulk-RNA-seq celtypefracties en celtypespecifieke genexpressieprofielen kan destilleren. Om BLADE toe te kunnen passen op PDAC-tumoren, moeten deze PDAC-celtypespecifieke genexpressieprofielen eerst worden vastgesteld.

Daarnaast voegen we 2 dimensies toe aan de celfractieanalyse:

  1. Laag 1: celfracties;
  2. Laag 2: celtypespecifieke signaalroutes door toevoeging van andere omicsdata, zoals proteomics en fosfoproteomics;
  3. Laag 3: interacties tussen cellen door toevoeging van ruimtelijke transcriptoomdata en multiplex-immunofluorescentiedata.

Het gedetailleerd vaststellen van TME-eigenschappen in grote, klinisch goed geannoteerde PDAC-cohorten kan leiden tot nieuwe inzichten om deze ziekte te verslaan.

Doel / onderzoeksvragen

Het is ons doel om de invloed van de PDAC-TME op prognose en therapie-effectiviteit te ontrafelen door de TME van een groot aantal PDAC-samples op een tot nu toe niet behaalde diepte te karakteriseren. Een functionele karakterisering van individuele TME-typen, gekoppeld aan patiëntuitkomst, kan leiden tot nieuwe therapeutische aangrijpingspunten, waaronder essentiële signaleringsroutes.

Daarnaast kan het in kaart brengen van interacties tussen TME-cellen de afhankelijkheid van tumoren van omliggende cellen bij groei en het ontwijken van therapie ontrafelen. In deze studie worden verschillende complementaire technieken gebruikt. De centrale taak van deze studie is het uitwerken van een computationeel kader, zodat de unieke data die door elke techniek worden gegenereerd op een robuuste wijze gecombineerd kunnen worden.

Onze hypothese is dat deze uitgebreide meerlagige karakterisering van de PDAC-TME zal leiden tot het identificeren van kwetsbaarheden van PDAC die therapeutisch benut kunnen worden.

Onderzoeksopzet

  • WP1: we maken BLADE geschikt voor het bestuderen van de PDAC-TME. We maken gedetailleerde celtypespecifieke genexpressieprofielen op basis van singlecell-RNA-seq-data die ook eiwitmarkerexpressie analyseren, zoals CITE-seq (n=4). Vervolgens valideren we deze methode met gepaarde bulk-RNA-seq- en CyTOF-data van 50 PDAC-PBMC-samples. Daarnaast levert BLADE celtypespecifieke expressieprofielen aan, iets wat CyTOF niet kan.
  • WP2: we breiden BLADE uit zodat het TME-celtypen kan identificeren op basis van multi-omicsdata. In deze meerlagige BLADE vormt RNA-seq-data de ruggengraat om celtypefracties te kwantificeren, terwijl andere omicsdata bijdragen aan het bepalen van celtypespecifieke multi-omicsprofielen. Deze aanpak wordt ontwikkeld op basis van een groot PDAC-cohort (n=196; Seoul National University-cohort), waarvan RNA-seq-, proteomics- en fosfoproteomicsdata beschikbaar zijn. Door gebruik te maken van celtypespecifieke multi-omicsprofielen, bepaald door de meerlagige BLADE, kunnen we elke PDAC-tumor en elk TME-celtype functioneel karakteriseren. Associaties tussen cellulaire heterogeniteit en ziekteverloop worden vastgesteld om te bepalen welke TME-typen de patiëntuitkomst beïnvloeden. Deze associaties worden gevalideerd op basis van meerdere PDAC-cohorten waarvan RNA-seq- en klinische data beschikbaar zijn, waaronder het Amsterdam UMC SPACIOUS-cohort (n=225).
  • WP3: we karakteriseren de TME-celtypen verder in termen van cellulaire interacties. Hiervoor gebruiken we ruimtelijke transcriptoomprofielen (NanoString GeoMx; 1.500 ROI’s) en geavanceerde imagingtechnieken (multiplex-immunohistochemie; n=520). We passen BLADE toe op deze ruimtelijke transcriptoomdata om de cellulaire heterogeniteit tussen verschillende regio’s in kaart te brengen, zoals regio’s verrijkt met epitheelcellen en regio’s met een gevarieerdere samenstelling van celtypen in de PDAC-TME. Tot slot onderzoeken we belangrijke cellulaire interacties die 1) de invloed van neoadjuvante chemotherapie kunnen vastleggen en 2) leiden tot verschillen in overleving.

Verwachte uitkomsten

Dit onderzoek levert een deconvolutietool op die is afgestemd op de PDAC-TME en gebruikt kan worden in toekomstig onderzoek. De functionele karakterisering van celtypen in de TME en hun interacties in veel PDAC-tumoren kan leiden tot de ontdekking van aangrijpingspunten die de behandeling van deze ziekte kunnen verbeteren.

In het bijzonder verwachten we dat de TME-celtypen die in deze studie worden beschreven, gebruikt kunnen worden voor andere PDAC-studies die gebruikmaken van transcriptoomprofilering. Daarnaast kunnen de ervaringen die in dit onderzoek worden opgedaan, worden vertaald naar andere vormen van kanker met beschikbare multi-omicsdata.

De gedetailleerde karakterisering van de PDAC-TME-celtypen in meerdere cohorten kan belangrijke celtypen aan het licht brengen die de onderliggende biologie tussen eerder beschreven moleculaire subtypen en de verschillen in patiëntuitkomst kunnen verklaren. Tot slot kan systemische immuunkarakterisering in WP1 leiden tot een diagnostische liquid-biopttest om de immuunmicro-omgeving van PDAC te monitoren.

Relevantie

Wij willen onze kennis van de PDAC-TME verbeteren en de prognostische potentie ervan bepalen. Daarmee kunnen we:

  1. het prognosticeren voor PDAC-patiënten verbeteren;
  2. nieuwe aanwijzingen vinden waarmee patiënten geïdentificeerd kunnen worden die het meeste baat hebben bij bepaalde behandelingen;
  3. nieuwe aangrijpingspunten ontdekken die gebruikt kunnen worden voor nieuwe PDAC-therapieën.

Ons project kan dus bijdragen aan de KWF-missie om te bevorderen dat alle vormen van kanker beter behandelbaar zijn, door behandelingen meer gepersonaliseerd te maken. Ook kan het project bijdragen aan een betere kwaliteit van leven voor kankerpatiënten, door patiënten met een lage kans om te reageren op chemotherapie deze behandeling niet te geven. Daarmee kan onnodige toxiciteit van ineffectieve behandelingen worden voorkomen.

Nieuws en resultaten

Juli 2026

De onderzoekers hebben Statescope ontwikkeld, een nieuwe analysemethode die voortbouwt op het algoritme BLADE. Statescope haalt meer informatie uit RNA- en DNA-data van tumoren dan eerdere methoden. Zo is niet alleen te zien welke celtypen in een tumor zitten, maar ook in welke 'stand' die cellen staan (delend, aanvallend, uitgeput, etc.). De onderzoekers laten zien dat Statescope werkt bij onder andere alvleesklierkanker en longkanker. Deze kennis kan helpen om beter te begrijpen waarom tumoren verschillen tussen patiënten en waarom behandelingen soms wel of niet werken.