Скачать электронную версию статьи (в свободном доступе).
Цель: Результаты лучевой терапии, продолжительность и качество жизни онкологических пациентов существенно зависят от радиочувствительности (РЧ) раковой опухоли, и длительность безрецидивного периода у пациентов во многом определяется степенью ее радиорезистентности
(РР). Результаты исследований молекулярных механизмов радиорезистентности злокачественных образований и классификация раковых клеток по их радиофенотипу сегодня во многом способствуют совершенствованию методов прогнозирования результатов лечения и повышению
эффективности лучевой терапии. В настоящей работе разработан метод классификации раковых клеток по их радиочувствительности с применением машинного обучения на основе анализа данных клоногенной выживаемости клеток при действии ионизирующего излучения.
Материал и методы: Метод заключается в кластеризации параметров уравнения линейно-квадратичной (ЛК) модели, которая была использована для аппроксимации экспериментальных зависимостей доза–эффект. В процесс обучения статистической модели были включены опубликованные экспериментальные данные 96 линий раковых клеток, для которых определены наборы
параметров a, b и их отношение a/b, использующееся в радиобиологи для оценки РЧ клеток.
Классификация раковых клеток по их радиочувствительности проведена на основе анализа
главных компонент в пространстве параметров (a, a/b) и методов кластеризации k-средних и иерархической кластеризации.
Результаты: Применение разработанной статистической модели к большому набору раковых
клеток позволило с высокой надежностью разделить радиочувствительные и радиорезистентные клетки на два кластера по параметрам a и a/b ЛК модели. Применение модели к раковым
клеткам с приобретенной РР, у которых РЧ была подавлена в результате действии ИИ или гипоксии, позволило проследить сдвиг параметров дочерних клеток из кластера РЧ в кластер РР клеток. С целью исследования генетических механизмов радиочувствительности в работе выполнен
биоинформационный анализ распределения мутаций генов, кодирующих белки в сигнальных
путях пролиферации, апоптоза, репарации ДНК и антиоксидантной системы защиты клетки.
Заключение: Развитая в настоящей работе статистическая модель радиофенотипической классификации раковых клеток на основе их радиочувствительности может быть использована в математических подходах к разработке оптимальных стратегий лучевой терапии, а также в совместном анализе фенотипических и генотипических особенностей раковых клеток с целью выяснения генетических механизмов радиочувствительности и определения биомаркеров радиорезистентности.
Ключевые слова: лучевая терапия, радиорезистентность, ионизирующее излучение, клонногенный анализ выживаемости, кластеризация, машинное обучение
Background: The outcome of radiation therapy, the duration and quality of life of cancer patients significantly depend on the radiosensitivity (RS) of a cancerous tumor, and the duration of the patient’s relapse-free period is largely determined by the degree of its radioresistance (RR).Today the results of molecular mechanism investigation of cancer radioresistance and the classification of cancer cells according to their radiophenotypes mostly contribute to improving prognosis methods of treatment outcomes
and increasing effectiveness of radiation therapy. In this work, we developed a classification method of
cancer cells according to their radiosensitivity using machine learning based on the data analysis of
clonogenic cell survival under ionizing radiation.
Material and methods: The method consists of clustering parameters of experimental dose-effect relationships, which were approximated using the equation of a linear-quadratic (LQ) model, which is used
to evaluate RS of cancer cells in radiobiology. The training of the statistical model included published
experimental dataset of 96 cancer cell lines, for which parameters a, b and their ratio a/b of the LQ
model were determined. Classification of cancer cells according to their radiosensitivity was carried out
based on principal component analysis (PCA) in the parameter space (a, a/b), k-means clustering and
hierarchical clustering methods.
Results: Application of the developed statistical model to a large dataset of cancer cells made it possible
to reliably separate radiosensitive and radioresistant (RR) cells into two clusters according to the parameters a and a/b. Application of the model to cancer cells with acquired RR, in which RS was suppressed as a result of exposure to irradiation or hypoxia, allowed tracing the shift of parent cells’ parameters from the RS cluster to the RR cell cluster. To study the genetic mechanisms of radiosensitivity,
we performed bioinformatic analysis of the mutation distribution in genes encoding proteins in the cellular signalling pathways of cancer cells, i.e. proliferation, apoptosis, repair of damaged DNA molecules
and antioxidant defence cellular system.
Conclusions: The developed statistical model of radiophenotypic classification of cancer cells based on
their radiosensitivity can be used in the development of radiation therapy treatment plans taking into
account radiosensitivity of patient’s tumour. The model may be also helpful in a joint analysis of the
phenotypic and genotypic characteristics of cancer cells, aiming at the elucidation of the molecular and
genetic mechanisms of radiosensitivity and development of biomarkers of radioresistance.
Key words: radiotherapy, radioresistance, ionizing radiation, clonogenic survival analysis, clustering, machine learning
DOI: 10.52775/1810-200X-2024-101-1-18-35