Kolmiulotteisten ex vivo -solumallien hyödyntäminen prekliinisessä syöpätutkimuksessa ja täsmälääketieteessä

Abstract

Erilaisiin syöpiin sairastuu Suomessa vuosittain lähes 33 000 ja niihin kuolee yli 12 000 ihmistä. Ajoissa havaitut kasvaimet ovat useimmiten hoidettavissa kirurgisesti, mutta myöhään havaitut kasvaimet ovat usein jo levinneet pääkasvainta ympäröiviin kudoksiin ja lähettäneet etäpesäkkeitä muualle elimistöön, jolloin niiden poisto kirurgisesti ei yleensä ole mahdollista. Näiden pitkälle edenneiden syöpien kohdalla korostuu lääkehoidon onnistuminen, johon täsmälääketiede pyrkii luomaan entistä potilaskohtaisempia ratkaisuja. Täsmälääketiede pyrkii järkevöittämään hoitoa perustuen laboratoriossa hankittuun empiiriseen tutkimustietoon potilaan syöpäkudoksen lääkevasteista ja yksilökohtaisista genomitason muutoksista ennen hoidon aloittamista ja hoidon edetessä. Syöpälääkkeen kehitys lääkekohteen löytymisestä hyväksyttyyn lääkeaineeseen on pitkä ja kallis prosessi taloudellisten riskien painottuessa kliinisten vaiheiden kokeisiin, jonka vuoksi molekyylien ominaisuuksien arvioinnin tulisi olla erityisen vakaalla pohjalla jo prekliinisen tutkimusvaiheen päätyttyä. Syöpälääketutkimuksessa kohdeproteiineja ja lääkeaineita on perinteisesti seulottu kaksiulotteisilla (engl. two-dimensional, 2D) solumalleilla, joilla pystytään tutkimaan solujen perustoimintoja, mutta joilla on vaikea mallintaa esimerkiksi syöpäsolujen leviämisen ja etäpesäkkeiden muodostumisen kaltaisia monimutkaisia ilmiöitä. Siksi on kehitetty erilaisia ihmisen kudosta morfologialtaan ja fysiologialtaan tarkemmin vastaavia kolmiulotteisia (engl. three-dimensional, 3D) solumalleja. Lisäksi potilaista tuoreeltaan eristetyt ex vivo -primäärisolumallit vastaavat paremmin potilaan alkuperäistä kasvainta kuin olemassa olevat solulinjat. Työssä kehitettiin ja sovellettiin 3D-soluviljelymenetelmää ex vivo -primäärisolujen kasvattamiseen lääkevasteiden mittaamista varten ja verrattiin 2D-soluviljelymenetelmällä saatuja vasteita 3D-menetelmällä saatuihin vasteisiin. 3D-vasteiden analysointiin kehitettiin syväoppiviin neuroverkkoihin pohjautuva kuva-analyysimenetelmä perinteisen kvantitatiivisen kuva-analyysin tueksi. 3D-vasteet vastasivat osittain ristiriitaisesti 2D-vasteita. Lääkkeet saattavat toimia eri tavalla 2D- ja 3D -viljelmissä, mutta 3D-vasteiden analysointia pitää vielä kehittää, jotta menetelmää voitaisiin hyödyntää prekliinisessä syöpätutkimuksessa ja täsmälääketieteessä.

Cancer is a common disease with nearly 33 000 new diagnoses and over 12 000 deaths annually in Finland. Cancers with early diagnosis are often treatable surgically, but with a later diagnosis the cancer has often spread to surrounding tissues and formed distant metastases, making surgical treatment harder and a successful medicinal treatment critical. Research is required for the needs of personalised medicine; all cancer cells react differently to each medicine, so the efficiency of treatment should optimally be tested for each patient individually already before the start of treatment. Developing a new cancer medicine is a long process with economical risks especially in the clinical phase, so the features of a potential medicine need to be evaluated already in the preclinical phase. Potential drugs have traditionally been researched with two-dimensional (2D) cell models, but complex phenomena like the local spreading of tumours and metastasising to distant locations are difficult to model with them. To this end, cell biologists have developed different three-dimensional (3D) cell models, which represent the morphology and physiology of human tissue better than 2D cell models. In addition, ex vivo primary cell models isolated from patients’ tumours represent the original tumour better than already established cell lines. In this work a 3D cell culture method was utilised to culture ex vivo primary cell models and measure the cells’ drug responses. Drug responses from a 2D cell culture method were compared to the drug responses from the 3D cell culture method. The 3D responses were analysed with a deep learning neural network in addition to a traditional quantitative image analysis method. The 3D drug responses partially contradicted the 2D drug responses. The drugs might work differently in 2D and 3D cell cultures but to utilize this method in preclinical cancer research and personalised cancer medicine the analysis tools need to be optimised.