Forskare identifierar aggressiva molekylära egenskaper hos prostatacancer

Forskarna från A. Lundberg Lab och Golnaz Taheris forskningsgrupp kombinerade multi-omik-analys av olika molekylära nivåer med maskininlärningsmodeller och nätverksanalys. Metoden avslöjade molekylära egenskaper kopplade till mer aggressiv prostatacancer hos en undergrupp av patienter som hade klassificerats som låg risk, vilket visar på biologiska skillnader som kanske inte framgår vid vanlig riskbedömning. Resultaten publicerades i npj Digital Medicine.

– Studien är ett bra exempel på den typ av datadriven forskning inom precisionsmedicin som vi bygger upp vid KTH, där vi kombinerar storskaliga molekylära data med maskininlärning för att besvara kliniskt relevanta frågor inom cancerforskningen, säger biträdande lektor Arian Lundberg.

Den så kallade multi-omik-metoden innebär att forskarna jämför olika molekylära mätningar för att få en fullständig bild av en tumör.

– Genomik ger oss till exempel information om DNA-förändringar, transkriptomik visar vilka gener som är aktiva och epigenomik ger oss information om regleringsförändringar som kan påverka genaktiviteten”, säger Arian Lundberg och fortsätter:

– I stället för att betrakta dessa lager var för sig integrerar vi dem för att skapa en mer fullständig och patientspecifik bild av tumörens biologi.

Modellen för maskininlärning utvecklades av Golnaz Taheris forskarteam, vars bidrag inom maskininlärning och nätverksanalys var avgörande för studien och dess resultat.

För närvarande befinner sig den nya metoden i forskningsstadiet och är ännu inte klar för klinisk användning. Nästa steg är att genom laboratorieexperiment testa några av de potentiella terapeutiska sårbarheter som analysen pekar på. Detta kommer att hjälpa forskarna att förstå om de molekylära förändringar de identifierat endast är användbara för riskbedömning eller om de även kan peka mot nya behandlingsstrategier.

– På längre sikt är målet att omsätta dessa rön i en mer precis riskstratifiering och eventuellt identifiera patienter som skulle kunna dra nytta av en tidigare eller mer riktad behandling, säger Arian Lundberg.

Arbetet har fått stöd från SciLifeLab-Knut och Alice Wallenbergs program Data-Driven Life Science (DDLS), Vetenskapsrådet, Prostatacancerförbundet och Digital Futures. 

Vetenskaplig publicering:

A novel multiomics machine learning signature identifies rapid progression in clinically low risk prostate cancer, npj Digital Medicine, DOI: https://doi.org/10.1038/s41746-026-03254-5

För ytterligare information kontakta:

Arian Lundberg, biträdande lektor biomedicinsk proteomik KTH, e-post arianl@kth.se

Golnaz Taheri, biträdande lektor beräkningsvetenskap och beräkningsteknik KTH, e-post golnazt@kth.se