Ny algoritm identifierar viktiga cancermutationer, vilket banar väg för framtida behandlingar

StockholmForskare har utvecklat ett nytt datorprogram som snabbt kan identifiera genetiska förändringar som orsakar cancer. Programmet använder en nätverksmodell vid namn DiWANN för att leta efter mönster bland genetiska mutationer i olika cancerformer. Genom att studera dessa mönster hoppas forskarna kunna upptäcka nya läkemedelsmål och få en bättre förståelse för cancers genetiska sammansättning.

DiWANN är utvecklad för att hantera stora mängder genetiska data på ett effektivt sätt. Den bevarar den viktiga informationen samtidigt som den använder minimalt med utrymme. Dessutom möjliggör den för forskare att studera olika sorters cancer samtidigt för en bättre helhetsförståelse.

Cancer innefattar olika sjukdomar som orsakas av olika genetiska förändringar. Att analysera genetisk data för cancer har varit utmanande på grund av den stora datamängden och de komplexa sambanden mellan dessa förändringar. En ny algoritm underlättar denna process genom att organisera informationen och förenkla beräkningarna.

DiWANN-modellen demonstrerar effektivt hur genetiska sekvenser är relaterade utan att använda för mycket information. Detta gör beräkningar snabbare och underlättar identifieringen av små genetiska interaktioner. Forskare upptäckte att genom att minska mängden data i förväg kunde de förenkla processen ytterligare och få en bättre förståelse för genetiska interaktioner.

Läs också:

Idag · 13:15

Ny forskning: Kvantfysik revolutionerar omvandling av spillvärme till elenergi med över 60 % effektivitet

Modellen upptäckte att två specifika mutationer, tumörprotein 53 och KRAS, ofta förekommer tillsammans i pankreascancer. Denna upptäckt, som forskare tidigare bara hade spekulerat om, pekar på viktiga mål för nya behandlingar. Modellen hjälper också till att identifiera cancerformer med liknande mutationsmönster som kan svara bra på samma behandlingar.

Denna forskning har värde utöver cancerstudier. DiWANN har också använts för att förstå spridningen av COVID-19 och fästingburna sjukdomar. Detta indikerar att modellen kan vara användbar inom olika områden av medicinsk forskning.

Teamet planerar att utveckla ett onlineverktyg som ska underlätta för forskare och experter inom folkhälsa att använda modellen. Detta kan göra avancerade verktyg mer tillgängliga och påskynda upptäckten av nya behandlingar för cancer och andra komplexa sjukdomar.

Detta projekt stöttades av National Science Foundation och National Cancer Institute, vilket visar dess betydelse inom medicinsk forskning. Den nya algoritmen möjliggör en mer detaljerad och effektiv genetisk analys, vilket kan förbättra framtida behandlingar och patientvård.