Unik databas med biomarkörer kan ge ny kunskap om tjock- och ändtarmscancer
En databas med närmare 1 000 biomarkörer för diagnos av tjock- och ändtarmscancer, läkemedelsbehandling och sjukdomsprognos. Det är resultaten av en ny avhandling i biomedicin av Xueli Zhang vid Örebro universitet.
Databasen är den första i sitt slag med samlad information om biomarkörer kopplade till tjocktarmscancer och ändtarmscancer, även kallat kolorektalcancer. Med hjälp av biomarkörerna kan man bland annat tidigt avgöra vilka som kommer att insjukna och hur de drabbade kommer att svara på läkemedelsbehandlingen – något som leder till en bättre prognos för patienten.
– Min förhoppning är att databasen ska komma till stor nytta för forskningen om kolorektalcancer, säger doktoranden Xueli Zhang.
Just nu finns det totalt 870 biomarkörer samlade i databasen och de är indelade i tre kategorier: diagnos, behandling och prognos. Xueli Zhang har inkluderat biomarkörer med koppling till tjock- och ändtarmscancer från mer än 1 000 vetenskapliga artiklar.
– Vårt mål är att fortsätta uppdatera databasen med nya biomarkörer och det är också viktigt att vi utökar och utvecklar databasens funktioner, säger han.
Förutspå nya biomarkörer
I en delstudie har Xueli Zhang också använt maskininlärning för att med hjälp av databasens biomarkörer förutspå nya biomarkörer för tjocktarmscancer och ändtarmscancer. Det resulterade i tolv nya biomarkörer som potentiellt kan användas för att diagnosticera sjukdomen. Några av dessa har sedan testats i vävnadsprover.
I frisk vävnad var till exempel nivåerna av biomarkören Chromogranin-A (CHGA) normala, men nästan obefintliga i vävnad från patienter med tjock- och ändtarmscancer.
– Mitt mål är att fortsätta förutspå nya biomarkörer med hjälp av maskininlärning som på sikt kan användas för mer pålitlig diagnos av kolorektalcancer i ett tidigt skede, säger Xueli Zhang.
Till Colorectal Cancer Biomarker Database: http://sysbio.suda.edu.cn/CBD/
Avhandlingen i sin helhet: ”Biomarkers for Diagnosis, Therapy and Prognosis in Colorectal Cancer: a study from databases, machine learning predictions to laboratory confirmations”
