Spleisingbasert prediktiv læring for individuell kjemoterapivurdering i tykktarmskreft (SPLICE)

Tarmkreft (CRC) forblir en stor global helsebyrde, der adjuvant kjemoterapi utgjør standardbehandling etter kurativ reseksjon. Imidlertid varierer pasienters respons på terapi betydelig, og ingen validert molekylær modell veileder for tiden valg av adjuvant behandling.

Nylige studier tyder på at avvikende alternativ spleising – snarere enn genuttrykk alene – spiller en avgjørende rolle i utformingen av kjemoterapifølsomhet og tumorresidiv. Likevel blir disse komplekse transkriptomiske variasjonene ofte oversett av standard differensielle uttrykksanalyser.

ASPAIRE-rammeverket (Alternative Splicing and Predictive mAchIne learnIng for Response Evaluation) bruker avanserte beregningsmodeller for å fange flerdimensjonale spleisingsegenskaper fra RNA-seq-data og transformere dem til klinisk anvendelige prediksjoner.

I denne forskningsinnsatsen vil forskerne utnytte maskinlæring for å forutsi respons på adjuvant kjemoterapi for CRC. Forskningsplanen vil bruke tre faser:

1. Identifikasjon av alternative spleisingmønstre assosiert med respons på adjuvant kjemoterapi gjennom RNA-sekvensering og beregningsmessig egenskapsektraksjon.
2. Forskerne vil deretter utvikle en analyse basert på revers transkriptasjons-kvantitativ polymerasekjedereaksjon (RT-qPCR) og trene en maskinlæringsmodell for å forutsi kjemoterapirespons.
3. Forskerne vil uavhengig validere analysen. Denne analysen er foreløpig kalt "SPLICE" (Splicing-based Predictive Learning for Individual Chemotherapy Evaluation in Colorectal Cancer) og vil bli testet for sykdomsfri overlevelse inntil fem år etter behandling.

Ved slutten av denne studien vil denne analysen ha blitt utviklet og validert for å hjelpe klinisk beslutningstaking ved å forutsi både sykdomsfri overlevelse.