Ny metode gør måling af ctDNA langt mere følsom og kan endda spotte forstadier til kræft

En dansk-amerikansk metode til at måle cirkulerende tumor-DNA (ctDNA) baseret på helgenom-analyser og kunstig intelligens er langt mere følsom end tidligere ctDNA-målinger og vil kunne bruges på tværs af kræftformer. Med bedre opsporing følger også et vanskeligt dilemma omkring overdiagnostik, siger professor Claus Lindbjerg Andersen.

”Vi kan med metoden finde langt mindre tumorer, end vi kunne tidligere. Der skal simpelthen et meget mindre signal til, før vi får et positivt svar på en ctDNA-måling. Samtidig er algoritmen (den kunstige intelligens, red.) i stand til at frasortere støj, så vi ikke samtidig får falsk positive svar,” siger Claus Lindbjerg Andersen, professor på Molekylær Medicinsk Afdeling på Aarhus Universitet. Han har forsket i brugen af ctDNA i forbindelse med kræftopsporing og -behandling.

I et nyt studie, publiceret i Nature Medicine, fremlægger han og førsteforfatter Amanda Frydendahl, postdoc på Aarhus Universitetshospital, i samarbejde med blandt andet amerikanske AI-forskere en metode til at måle tumor-DNA i blodet ved brug af kunstig intelligens. Metoden nøjes ikke med at undersøge en håndfuld udvalgte mutationer, som det har været tilfældet med tidligere ctDNA-teknikker. Den nye metode tager i stedet udgangspunkt i patientens og tumorens komplette arvemasse og sammenholder dem med DNA-fragmenter i blodet og kan således sandsynliggøre, om fragmenterne stammer fra en kræftcelle eller en rask celle.

”Hvis der er meget kræft-DNA i blodet, er det okay med få markører, for så er signalet stort nok til, at man selv med få markører kan finde det i blodprøven. Sådan har det været med tidligere ctDNA-målinger. Hvis der til gengæld kun er få kræftceller i kroppen, så er sandsynligheden for, at vi finder nogle få bestemte markører i en enkelt blodprøve ikke særlig stor. Med den nye metode laver vi om på det. Her kan vi i princippet bruge et hvilket som helst af de tusindvis af DNA-fragmenter, som bliver frigivet i blodet, når en cancercelle dør, til at afgøre, om der er kræft i blodet,” siger Claus Lindbjerg Andersen.

Som en del af studiet har forskerne testet den færdigtrænede algoritme på blodprøver fra blandt andet tarmkræftpatienter, der har fået kurativ behandling. Her finder algoritmen samtlige patienter, der har fået tilbagefald, før de har fået tilbagefaldet konstateret. I nogle tilfælde kan algoritmen endda konstatere tilbagefald flere år før, at patienten bliver diagnosticeret med tilbagefald.

Fund af forstadier

Metoden er så følsom, at den også kan finde forstadier til kræft, viser en test. Det er et helt nyt aspekt af ctDNA-målinger, som overgår selv de mest følsomme scanninger og målinger i klinikken.

”Selv den lille smule DNA, som bliver smidt ud i blodet fra et forstadie til kræft er vi faktisk i stand til at måle med denne her metode. Vi kan ikke finde alle forstadier, men cirka 30 til 50 procent lidt afhængig af, hvad det er for en type forstadie. Det giver jo nogle perspektiver, for hvis vi kan finde forstadier til kræft ved at tage en blodprøve, så er det også muligt at få fjernet forstadierne, før de udvikler sig til tumorer. Og det er meget lettere og mere effektivt at behandle forstadier end at behandle og fjerne egentlig kræft,” siger Claus Lindbjerg Andersen.

Den følsomme metode og muligheden for at se forstadier, før cellerne bliver til kræft, rejser dog en række dilemmaer og udfordringer for sundhedsvæsenet.

”Det er ikke sikkert, at det altid er en god idé at fjerne forstadier til kræft, for forstadierne vil ikke nødvendigvis udvikle sig til dødelig kræft. Det er problematikken med overdiagnostik, vi også kender fra screening, hvor screeningsundersøgelsen kan føre til diagnostiske undersøgelser og behandlinger, der faktisk ikke er nødvendige og i nogle tilfælde mere skadelige end gavnlige,” siger Claus Lindbjerg Andersen.

Næste skridt er kliniske studier

Meget mere skal afsøges med den nye metode. Her i blandt om den nye metode kan bruges i en klinisk sammenhæng til at afgøre, om en patient behandlet kurativt har rest-cancer i kroppen og muligvis vil få tilbagefald.

”Vores artikel fra Nature Medicine er en teknologiudviklingsartikel, hvor vi viser, at vi har forbedret teknologien. Hvis folk bakker op om metoden, så er næste skridt at vise, hvor godt virker den vil præstere i en klinisk sammenhæng, og her er vi heldigt stillet,” siger Claus Lindbjerg Andersen og fortsætter:

”Vi kan gå ind i vores biobank og se på de patienter, vi har haft med i tidligere ctDNA-studier, og som vi ved har fået et falsk negativt resultat med den gamle ctDNA-måling, og undersøge om de faktisk vil få et positivt resultat med den nye metode. Vi skal til at søge National Videnskabsetiks Komité om tilladelse til at bruge materialet fra biobanken i et nyt studie. Da det i virkeligheden er en videreudbygning af det tidligere ctDNA-studie, så forventer vi, at vi får lov til det. Hvis vi ikke får tilladelse, vil vi række ud til de patienter, der tidligere har givet samtykke, og bede dem samtykke til, at vi bruger restmateriale fra den tidligere undersøgelse til at afprøve den nye teknologi.”

Bagom algoritmen

I forbindelse med studiet trænede forskerne fire algoritmer ud fra materiale fra patienter med fire forskellige kræftformer, fortæller Claus Lindbjerg Andersen.

”Vi trænede fire forskellige kunstig intelligens algoritmer til henholdsvis tarmkræft, lungekræft (tumor-informeret), lungekræft (tumor-naiv) og hudkræft (melanomer). Det var nødvendigt med fire algoritmer, fordi mutationsmønstrene for de fire cancerformer var forskellige og dermed på hver sin unikke måde afskiller sig fra sekventeringsfejlene."

Til udviklingen af den kunstige intelligens-algoritmen rettet mod tarmkræft anvendte forskerne mere end 540.000 DNA-fragmenter.

Halvdelen af fragmenterne var muterede DNA-fragmenter fra blodprøver fra ni tarmkræftpatienter. Den anden halvdel var DNA-fragmenter med sekventeringsfejl fra blodprøver fra ni kontrolpersoner, som ikke havde kræft. Da kontrolpersonerne ikke har kræft, er alle DNA-fragmenter fra deres blodprøver, som ikke ligner DNA’et fra personernes normale celler, altså DNA-fragmenter med sekventeringsfejl.  

Udviklingen af en kunstig intelligens består af tre processer, forklarer Claus Lindbjerg Andersen.

Træning af den kunstig intelligens:

”Vi trænede den kunstige intelligens-algoritme på basis af cirka 2x170.000 DNA-fragmenter fra henholdsvis fem tarmkræftpatienter og fem kontroller.”

Validering af den kunstige intelligens:

”Herefter fin-tunede og validerede vi algoritmen ved hjælp af 2x60.000 DNA-fragmenter fra blodprøver fra henholdsvis 2 tarmkræft patienter og 2 raske kontroller.”

Uafhængig testning af den endelige validerede kunstige intelligens algoritme: 

”Til sidst bekræftede vi, at den endelige algoritme med stor nøjagtighed kunne adskille 2x 40.000 DNA-fragmenter fra blodprøver fra henholdsvis 2 tarmkræft patienter og 2 raske kontroller (F1 score = 84,2 %, Nøjagtighed: 83.8%, ROC: 92.5% areal under kurven).”