Van virtuele patiënten naar betere medicijnen: hoe data kankeronderzoek helpt
beeld: gegenereerd met DALL-E
Kankeronderzoek produceert bergen data, maar hoe zet je die slim in voor betere behandelingen? Promovendus Marina Gorostiola González gebruikt geavanceerde analysetechnieken om medicijnen sneller en effectiever te ontwikkelen. Haar aanpak brengt precisie en snelheid samen voor kankerpatiënten wereldwijd.
Het is min of meer toeval dat Gorostiola González dit onderzoek is gaan doen. Tijdens haar studie zocht ze naar een afstudeerproject op het snijvlak van data-analyse en medicijnontwikkeling. Toen er geen lopende studies in ziekenhuizen beschikbaar waren, werkte ze met virtuele patiënten. Tot haar verrassing bleek deze methode veelbelovend. Zo’n aanpak bespaart namelijk tijd, geld en voorkomt dat echte patiënten of dieren risico lopen.
Data analyseren zoals nooit tevoren
Op het gebied van data-analyse is er bij kankeronderzoek is winst te behalen. Deze technieken zijn daar nog niet optimaal benut, mede door beperkte beschikbare data en veel onbekende factoren. ‘We hebben tegenwoordig toegang tot enorme hoeveelheden data’, legt Gorostiola González uit. ‘Dankzij de rekenkracht van computers kunnen we die data analyseren op manieren die eerder onmogelijk waren. Dat levert inzichten op waar we anders nooit aan zouden denken.’
‘We hebben tegenwoordig toegang tot enorme hoeveelheden data’
‘Zonder experimentele data is computermodellering onmogelijk’
Gorostiola González’ onderzoek richtte zich op membraaneiwitten, die zich op het oppervlak van cellen bevinden. Deze eiwitten functioneren als toegangspoorten voor signalen en stoffen, en bieden veel mogelijkheden voor kankertherapieën. In tegenstelling tot kinases, de huidige ‘favoriete’ doelwitten in kankerbehandelingen, zijn membraaneiwitten minder uitgebreid bestudeerd. ‘Ze worden vaak over het hoofd gezien omdat ze lastig zijn om mee te werken, zowel in experimenten als in computersimulaties,’ zegt Gorostiola González. Dankzij nieuwe experimentele methoden is het tegenwoordig makkelijker om data over deze membraaneiwitten te verzamelen. Ze benadrukt: ‘En zonder experimentele data is geavanceerde data-analyse onmogelijk.’
De drie stappen naar nieuwe kankerbehandelingen
Om nieuwe medicijnen te ontwikkelen, volgde Gorostiola González een proces van drie stappen, waarbij verschillende soorten data nodig waren. Allereerst voorspelde ze nieuwe mogelijke doelwitten. Hiervoor gebruikte Gorostiola González grootschalige biologische data die inzicht geeft in bijvoorbeeld genen, eiwitten of moleculen. ‘Als we het DNA van 1.000 mensen met kanker en van 1.000 gezonde mensen vergelijken, dan kunnen we met een model veranderingen in het DNA opsporen die kanker voorspellen. Die veranderingen zijn mogelijk interessante doelwitten voor nieuwe medicijnen.’
‘Dit geeft ons aanwijzingen voor veelbelovende nieuwe medicijnen’
De tweede stap is het verfijnen van de doelwitten. Om betere kandidaten te selecteren, gebruikte Gorostiola González data die de fysieke structuur van eiwitten en andere celonderdelen laat zien. ‘We kijken naar veranderingen in doelwitten die ze geschikter maken voor therapie. Als een verandering uniek is voor kanker, kunnen we die aanpakken zonder gezond weefsel te beschadigen, wat bijwerkingen vermindert.’ Deze data is vaak openbaar beschikbaar, en AI-modellen zoals AlphaFold vullen ontbrekende gegevens aan.
In de laatste stap gebruikte Gorostiola González biochemische data om te voorspellen welke medicijnen goed kunnen binden aan de geselecteerde doelwitten. ‘Dit geeft ons aanwijzingen voor veelbelovende nieuwe medicijnen.’
Meer samenwerking en delen van data zijn cruciaal
Hoewel geavanceerde data-analysetechnieken al veelbelovend zijn, ziet Gorostiola González dat er nog uitdagingen blijven. ‘Vooral samenwerking tussen disciplines is cruciaal,’ benadrukt ze. Het combineren van experimentele data met computermodellen kan bijvoorbeeld de kans op succes vergroten.
Daarnaast is het gebrek aan beschikbare data in de oncologie een uitdaging. Gorostiola González benadrukt dat het delen van bestaande data, zelfs van mislukte experimenten, enorm waardevol kan zijn. Tot slot wijst ze op de efficiëntie van computermodellen: ‘In plaats van duizend stoffen te testen, kun je het aantal terugbrengen tot vijftig door vooraf een goede selectie te maken op basis van data. Niet alles zal werken, maar je bespaart hiermee tijd en middelen.’
Promotie
Marina Gorostiola González verdedigde haar proefschrift getiteld Getting personal: advancing personalized oncology through computational analysis of membrane proteins op 24 januari 2025 in het Academiegebouw. Zij ontving haar doctoraat cum laude. Haar promotoren waren hoogleraren Gerard van Westen, Laura Heitman en Adriaan IJzerman.