Integrerede multi-omics data til personlig behandling af fedme-associeret fedtlever sygdom

Forskerne studerer den mest udbredte leversygdom i menneskehedens historie, som er den førende årsag til levertransplantation i dens alvorlige former. Det er resultatet af to tavse pandemier med enorme sundhedsmæssige konsekvenser: fedme og diabetes. Sammen eller hver for sig påvirker de mere end 30 % af verdens befolkning. Den nuværende betegnelse for sygdommen er MAFLD (metabolisk (dysfunktion)-associeret fedtleversygdom). Denne betegnelse indikerer, at metaboliske lidelser relateret til fedme, diabetes, dyslipidæmi og hypertension er den primære årsag. Disse lidelser er relaterede og fører til fedtophobning i leveren, det første skridt i et bredt spektrum af kroniske leversygdomme. Disse sygdomme reagerer klinisk på en meget varierende måde og forbliver udiagnosticerede og ubehandlede i lang tid. Der er ingen accepteret farmakologisk behandling, og livsstilsændringer, selvom de muligvis er effektive, mislykkes normalt, fordi de kræver særligt gunstige forhold. Derfor er de identificerede problemer, der bør løses:

(1) Diagnosen MAFLD kræver en leverbiopsi, en dyr og aggressiv procedure. (2) Uden at undersøge leveren kan klinikere vide lidt om sygdommens udvikling og de underliggende årsager. (3) Resultaterne i eksperimentelle modeller kan være informative, men vanskelige at oversætte til klinikken. Nylige rapporter antyder den væsentlige rolle af phospholipidbiosyntese og transport mellem det endoplasmatiske retikulum og mitokondrier. (4) Alt ovenstående gør det vanskeligt at indhente de nødvendige oplysninger til at foreslå ændringer i kliniske retningslinjer.

I betragtning af disse aspekter kan patienter med sygelig fedme være en informativ menneskelig model. Blandt andre fordele har patienter kirurgiske muligheder, der giver os mulighed for at få dele af berørte organer, der letter specifik diagnose, og som, fordi de kræver konstant pleje, kan undersøges løbende. Den præsenterede tilgang kan forbedre patientbehandlingen og består i det væsentlige af at identificere det mest signifikante antal variabler, der kan hjælpe. Her foreslås især inklusion af variabler, der allerede kan opnås fra de seneste fremskridt i laboratoriet, omfattet af omics-videnskaberne (genomics, transcriptomics, proteomics, metabolomics, lipidomics, microbiomics). Hver af disse har sine fordele og begrænsninger. Forudsigende modeller kan integrere disse variable i kliniske data for at udforske organkrydsning.