Napredak u biomedicinskim znanostima sve snažnije ovisi o računalnim metodama – posebno o spoju multiomike i naprednih algoritama temeljenih na AI. U fokus ulaze precizne analize koje istodobno promatraju gene, proteine, transkriptome i epigenetske obrasce, a zatim ih povezuju s kliničkim ishodima. U tom sklopu ključnu ulogu zauzimaju biomarkeri: mjerljivi biološki pokazatelji koji pomažu ranije otkriti bolest, pratiti njezin tijek i odabrati terapiju koja najviše koristi određenom pacijentu. Kada se multiomika upari s računalnim modelima za machine learning, dobivamo moćan okvir za otkrivanje novih biomarkera i kandidata za terapijske mete, od ideje do validacije na uzorcima i staničnim modelima.
Nedavno objavljeno istraživanje u časopisnoj obitelji Nature pokazuje kako integrirana analiza više razina podataka, potpomognuta platformom koju razvija Insilico Medicine, može iz kompleksnih ekspresijskih potpisa izlučiti biomarkere s prognostičkom snagom te istaknuti gene koji se mogu ciljano inhibirati. Autori su ukrstili podatke o rijetkim poremećajima popravka DNA, analizirali obrasce poremećene ekspresije i usporedili ih s velikim skupovima iz onkologije. Takav pristup stvara preduvjete da biomarkeri postanu most između molekularne biologije i personalizirane medicine, s jasnim implikacijama za razvoj novih lijekova.
Polazište rada jest pretpostavka da su poremećaji u mehanizmima popravka DNA povezani s povećanim onkološkim rizikom – pa stoga i s prepoznatljivim potpisima koji mogu generirati biomarkeri korisni u kliničkoj praksi. Istraživači su prvo grupirali bolesti prema zajedničkim fenotipovima i tako prepoznali tri klastera rijetkih nasljednih sindroma: Louis-Barov sindrom (Ataksija-telangiektazija), Nijmegenov sindrom lomljivosti kromosoma te Wernerov sindrom. Svaki od njih nosi specifičan spektar simptoma, ali dijele povećanu učestalost maligniteta, što čini dobro tlo za pronalazak obrazaca koje biomarkeri mogu uhvatiti i kvantificirati.
Louis-Barov sindrom očituje se neurodegeneracijom, imunosnom disfunkcijom i sklonošću malignim oboljenjima limforetikularnog sustava. Nijmegenov sindrom praćen je mikrocefalijom, karakterističnim crtama lica i niskim rastom, uz povišen rizik za ne-Hodgkinove limfome i tumore središnjeg živčanog sustava. Wernerov sindrom ubraja se u rijetke progeroidne poremećaje – rani nastup starenja prati i veća pojavnost karcinoma kože i štitnjače. Upravo na spoju tih kliničkih obilježja i molekularnih defekata počinju se formirati biomarkeri koji mogu precizno odražavati biološku stvarnost bolesti.
Kako bi izdvojili pouzdane kandidate, znanstvenici su primijenili višeslojnu analitiku: harmonizirali su dostupne skupove podataka, proveli usporedbe između različitih kohorti i iscrtali putanje bioloških putova čija je aktivacija ili inhibicija bila zajednička navedenim sindromima. Multidisciplinarni postupak omogućuje da se istoj hipotezi pristupi iz više smjerova – a da se pritom ne izgubi kvantitativna zaokruženost koju zahtijevaju robustni biomarkeri.
U središtu napredne platforme stoji više modula: algoritmi za čitanje i sažimanje znanstvene literature, modeli za prediktivno rangiranje gena te alati za integraciju transkriptomskih i drugih omičkih slojeva. Iako je riječ o kompleksnom softveru, cilj je jednostavan – posložiti dokaze tako da se iz kaotične biološke stvarnosti izdvoje biomarkeri s najvećom vjerojatnošću kliničke primjene. Zbog toga su u analizi objedinjeni podaci iz velikih biomedicinskih publikacijskih korpusa, javnih repozitorija omike i patentnih baza, ali i informacije o kliničkim ispitivanjima i razvojnoj povijesti lijekova.
Rezultati takve integracije pokazali su da je gen CEP135 među najizraženije sniženim u sva tri promatrana poremećaja popravka DNA. Dosljednost obrasca kroz bolesti sugerira zajedničku patobiološku osnovu – upravo onu koju biomarkeri najčešće i bilježe. Autori su pretpostavili da bi razina ekspresije CEP135 mogla dijeliti onkološke pacijente na podskupine s različitim preživljenjem. Uslijedila je analiza podataka iz TCGA skupa koja je obuhvatila 33 vrste tumora, pri čemu su dobiveni signali ukazali na prognostičku vrijednost kod sarkoma.
Sarkomi nastaju u mezenhimalnim tkivima – kostima, mišićima, vezivu – i često se klinički ponašaju agresivno. Upravo zato pravodobni biomarkeri mogu biti presudni za odluku o terapiji. U segmentu pacijenata s visokom ekspresijom CEP135 i nepovoljnijim ishodom, platforma je istaknula dvadeset gena s najvećim potencijalom kao terapijske mete. Nakon dodatnog filtriranja i eksperimentalne provjere, pet ih je zadržalo prioritet, a posebnu se istaknula PLK1 kinaza, čija je inhibicija dovela do smanjenja staničnog rasta. Ta vrsta nalaza nije samo akademska zanimljivost – ona je nacrt kojim se biomarkeri pretvaraju u odluke u laboratoriju i klinici.
Zašto su biomarkeri toliko važni u onkologiji? Prvo, omogućuju slojevitu stratifikaciju pacijenata: umjesto rudimentarne podjele po organu, tumori se promatraju po molekularnim karakteristikama. Drugo, biomarkeri pružaju mjerljive krajnje točke za praćenje terapije – od farmakodinamičkih signala do rane procjene odgovora. Treće, osiguravaju racionalnu selekciju meta za razvoj lijekova, čime reduciraju rizik neuspjeha u kasnim fazama kliničkih ispitivanja. Kada se sve to ukomponira u multiomiku, dobivamo mrežu dokaza u kojoj se jedna informacijska nit nadovezuje na drugu i time pojačava vjerodostojnost zaključka.
Multiomika objedinjuje genomiku, transkriptomiku, epigenomiku, proteomiku i metabolomiku – a sve češće i stanične razlučivosti poput single-cell podataka. Svaki sloj pridonosi specifičnim uvidima, no tek njihova integracija omogućuje da biomarkeri pređu iz laboratorijske niše u rutinsku primjenu. Primjerice, promjena metilacije u promotoru nekog gena može objasniti sniženu transkripciju, dok proteomska analiza potvrđuje je li se promjena doista prelila na razinu proteina. Kada se ovi elementi poklope s kliničkim podacima, biomarkeri dobivaju težinu koja je potrebna za odluke o liječenju.
Vrednovanje biomarkera prolazi nekoliko faza. U generiranju hipoteze polazi se od razlika između bolesnih i zdravih uzoraka ili podskupina bolesnika. Slijedi tehnička validacija – može li se mjerenje ponoviti, je li analit stabilan, kako variabilnost uzorkovanja utječe na rezultat. Zatim dolazi klinička validacija, gdje se traži veza s ishodom liječenja ili preživljenjem. Tek na kraju stoji klinička korisnost: smanjuje li odluka temeljena na tom mjerenju morbiditet, mortalitet ili trošak. U svakom od tih koraka multiomika i modeli temeljeni na machine learning pristupima pomažu da se odaberu najizgledniji biomarkeri i da se umanji utjecaj slučajnosti.
Važna metodološka napomena odnosi se na harmonizaciju podataka. Različiti laboratoriji, protokoli ekstrakcije nukleinskih kiselina, platforme sekvenciranja i bioinformatičke cjevovode uvode varijabilnost. Ako se ta heterogenost ne adresira, biomarkeri mogu biti privid – artefakt procesa umjesto odraz biologije bolesti. Stoga moderni pristupi uključuju korekciju serijskih efekata, normalizaciju i pažljivo upravljanje nedostajućim vrijednostima. Dodaju se i meta-analitičke tehnike koje uspoređuju učinke kroz više kohorti, čime se povećava opća primjenjivost kandidata koje biomarkeri predstavljaju.
Drugi ključan element je interpretabilnost. Model može iznimno dobro razvrstati uzorke, ali ako ne znamo koji putevi i čvorišta mreže pogone odluku, teško je prijeći iz statističke povezanosti u biološko razumijevanje. Tu pomažu karte putova i mreža koje vizualiziraju smjerove aktivacije i inhibicije, kao i tehnike objašnjavanja odluka modela. Kada su takvi uvidi usklađeni s literaturnim dokazima i eksperimentalnim validacijama, biomarkeri dobivaju status pouzdanih vodiča kroz terapijski pejzaž.
Primjer PLK1 lijepo ilustrira tranziciju od signala do funkcionalne provjere. Kao regulator staničnog ciklusa, PLK1 je logična meta u tumorima s ubrzanim dijeljenjem. No tek kada se pokaže da smanjenje njezine aktivnosti dovodi do pada proliferacije u relevantnim modelima, kandidat izlazi iz sfere pretpostavke. Takva potvrda, u kombinaciji s podacima da je CEP135 konzistentno snižen u poremećajima popravka DNA, sugerira da bi biomarkeri temeljeni na ovom paru mogli pomoći pri identifikaciji pacijenata koji će profitirati od specifičnih inhibicija.
Valja spomenuti i praktična pitanja. U kliničkoj rutini poželjni su biomarkeri koji se lako mjere: iz krvi, plazme ili minimalno invazivnim zahvatima. Tekuća biopsija, kroz cirkulirajuću tumorsku DNA ili RNA, nudi dinamički uvid u evoluciju tumora. U tom kontekstu multiomika proširuje vidno polje – osim mutacija, prate se metilacijski obrasci, ne-kodirajući transkripti i proteinski profili. Time biomarkeri prestaju biti pojedinačno zrnce informacije i postaju kompozitna slika bolesti.
Posebnu pozornost zaslužuje pitanje generalizacije. Biomarkeri nastali u rijetkim sindromima moraju se potvrditi u širim populacijama, kako ne bi odražavali jedinstvene karakteristike male skupine. Strategija koja se nametnula jest premošćivanje: kreće se od rijetke, ali čiste biološke pertubacije – poput defekta u popravku DNA – zatim se pronalaze isti obrasci u čestim tumorima. Time se čuva specifičnost i smanjuje buka, a biomarkeri dobivaju šansu da pokažu korisnost u realističnijim, heterogenim okruženjima.
Računalna podrška tome često uključuje rang-liste kandidata, bodovne sustave i izračun vjerojatnosti da će neka meta biti „drogabilna”. Iza kulisa djeluju modeli za rudarenje teksta, mapiranje pojmova iz literature i povezivanje s kliničkim ishodima. Na taj se način brzo identificiraju veze između gena, putova i fenotipova koje bi istraživač čovjek teško uočio pregledavajući tisuće radova. Kad se takvi signali preslože zajedno s eksperimentalnim nalazima, biomarkeri prelaze iz skice u plan djelovanja.
Uloga multidisciplinarnosti ne može se precijeniti. Molekularni biolozi, bioinformatičari, biostatističari i kliničari gledaju iste podatke kroz različite optike. Kada se te perspektive spoje, raste vjerojatnost da će biomarkeri biti i biološki uvjerljivi i operativno provedivi. Primjerice, kliničar može ukazati na to da je određeni test preskup ili prespor za odluke u stvarnom vremenu – pa se traži alternativni analit ili brža metoda mjerenja. Bioinformatičar će, pak, sugerirati kako smanjiti preučenost modela, a molekularni biolog kako dizajnirati provjeru funkcije gena.
Ne treba zaboraviti ni ograničenja. Velike analize nose rizik lažno pozitivnih nalaza; heterogenost uzoraka i razlike u protokolima mogu generirati varljive efekte. Zato je nužna višestupanjska provjera i transparentno izvještavanje o metodama. Tek kad više neovisnih centara reproducira nalaz, možemo reći da su biomarkeri spremni za sljedeći korak. Osim toga, regulatorni zahtjevi – od validacije laboratorijske metode do označavanja in vitro dijagnostike – traže standardizaciju koja je katkad u raskoraku s brzim razvojem polja.
Gledajući prema naprijed, sinergija multiomike i AI vjerojatno će sve češće koristiti i generativne pristupe. Takvi modeli mogu predlagati hipoteze o interakcijama proteina, predviđati strukture ili dizajnirati male molekule koje ciljaju identificirane čvorove mreže. No i u tom scenariju temelj ostaje isti: kvalitetno prikupljeni i obrađeni podaci te jasni, mjerljivi biomarkeri koji odražavaju relevantnu biologiju bolesti.
Studija s rijetkim poremećajima popravka DNA elegantno pokazuje kako se može krenuti od srodnih fenotipova i završiti s kandidatima za terapijske intervencije. Put vodi preko prepoznatljivih uzoraka sniženja ili povišenja ekspresije, mrežnih analiza i literaturnih dokaza – sve do laboratorija, gdje se provjerava utječe li manipulacija ciljnim genom na stanično ponašanje. Na tom putu biomarkeri služe kao kompas: usmjeravaju pozornost na relevantne mehanizme i pomažu procijeniti hoće li intervencija doista donijeti kliničku korist.
Iz perspektive pacijenta najvrjedniji su biomarkeri koji omogućuju brzu i preciznu odluku: treba li dati citotoksičnu kemoterapiju, ciljanu terapiju ili imunoterapiju; treba li dozu prilagoditi; hoće li kombinacija dvaju lijekova nadmašiti monoterapiju. Kada je takvih mjera više, a informacije dolaze iz različitih slojeva multiomike, odluka se dodatno kalibrira. Time se smanjuje izloženost neučinkovitim tretmanima i povećava šansa za dugotrajni odgovor.
U konačnici, iako je potrebno još puno rada na standardizaciji, validaciji i translaciji u svakodnevnu praksu, putokaz je jasan. Multiomika omogućuje duboki uvid u biologiju tumora, a napredne metode temeljene na machine learning pristupima pretvaraju te uvide u operativne alate. U tom ekosustavu biomarkeri nisu samo statističke brojke – oni postaju klinički instrumenti koji vode terapiju prema pacijentu, a ne obratno. Primjeri poput CEP135 i PLK1 pokazuju kako se od zajedničkih obrazaca u rijetkim bolestima može doći do univerzalnijih mehanizama raka, gdje biomarkeri služe kao most između genoma i lijeka.
in silico strategije, koje kombiniraju rudarenje teksta, modeliranje mreža i integraciju omičkih slojeva, omogućuju da se kandidati brže filtriraju i usmjere prema eksperimentalnoj provjeri. Kada se takvi tokovi rada ustale, očekuje se da će se vrijeme od otkrića do kliničke procjene skratiti – a da će pritom upravo dobro definirani biomarkeri održati kvalitetu odluka na visokoj razini.
U međuvremenu, istraživačke zajednice nastavljaju širiti otvorene repozitorije i graditi referentne karte tkiva i tumora. Ta infrastruktura stvara uvjete u kojima će se moći uspoređivati rezultati među centrima i generacijama tehnologije. U takvom okruženju biomarkeri mogu sazrijevati kroz iteracije – od inicijalnih signala do standardiziranih testova – sve dok ne postanu uobičajeni dio onkološke prakse.
Kada se sagledaju svi elementi, postaje jasno da kombinacija multiomike i AI donosi novu razinu preciznosti u razumijevanju raka. Umjesto jednog pokazatelja, oslanjamo se na konstelaciju međusobno povezanih mjera. Upravo takva konstelacija omogućuje da biomarkeri, temeljeni na stvarnim biološkim procesima, vode do terapijskih meta s najvećim izgledima za uspjeh te do odluka koje će za svakog pojedinog pacijenta imati najveći učinak.
