پژوهشگران دریافته‌اند که می‌توانند با بررسی الگوهای بیان ژن عوامل اپی‌ژنتیکی ــ عواملی غیرژنتیکی که روی خاموش و روشن بودن ژن‌ها تأثیرگذارند ــ در تومورها آن‌ها را به گروه‌های مختلف تقسیم کنند. سپس این امکان وجود دارد که با این تقسیم‌بندی احتمال زنده ماندن بیماران سرطان را پیش‌بینی کرد.

این روش کارایی بهتری نسبت به روش‌های سنتی براساس درجه (گرید) و مرحله سرطان دارد. همچنین یافته‌های این مطالعه می‌توانند اساسی برای توسعه روش‌های هدفمند درمان با تمرکز روی عوامل اپی‌ژنتیکی باشند.

پیش‌تر، سرطان را عمدتاً نتیجه جهش‌های ژنتیکی ژن‌های سرکوب‌گر سرطان می‌دانستند. اما با ظهور تکنولوژی‌های پیشرفته توالی‌یابی ژنتیکی، مشخص شد که عوامل اپی‌ژنتیکی نقش مهمی در توسعه سرطان دارند. سطوح این عوامل و جوانب آن در کروماتین است که خروجی سرطان، یا همان احتمال زنده ماندن بیماران، را مشخص می‌کنند.

با این که تأثیر عوامل اپی‌ژنتیکی در ریسک ابتلا به سرطان موضوعی مطالعه‌ شده است، چیزهای زیادی درباره نقش این عوامل در خروجی سرطان نمی‌دانیم. پوشش این شکاف در دانش ما می‌تواند توضیح دهد که چرا بیماران واکنش‌هایی متفاوت به درمان‌های سرطان نشان می‌دهند.

نقش عوامل اپی‌ژنتیکی در احتمال زنده‌ماندن بیماران سرطانی

پژوهشگران برای این که ببینند رابطه‌ای میان الگوهای اپی‌ژنتیکی و خروجی‌های بالینی وجود دارد یا نه، از الگوهای بیان ژن ۷۲۰ عامل اپی‌ژنتیکی برای خوشه‌بندی تومورها به ۲۴ نوع سرطان استفاده کردند.

از بین این ۲۴ نوع سرطان، ۱۰ نوع از آن‌ها با تفاوت‌های معنی‌دار در خروجی سرطان سازگار بودند. به‌عبارت دیگر، خروجی در برخی از انواع بافت‌های سرطانی وابستگی بیشتری به عوامل اپی‌ژنتیکی دارند. پنج نوع از این سرطان‌ها عبارتند از کارسینوم قشر فوق‌کلیه، سرطان سلول کلیوی، گلیومای درجه پایین مغزی، کارسینوم سلول‌های کبدی و آدنوکارسینوم ریه.

دانشمندان سپس از سطوح بیان ژن عوامل اپی‌ژنتیکی برای آموزش و آزمایش یک مدل هوش مصنوعی برای پیش‌بینی خروجی بیماری استفاده کردند. مدل آن‌ها پیش‌بینی می‌کند که در پنج نوع سرطانی که احتمال زنده ماندن بیماران در آن‌ها بسیار متفاوت است، چه اتفاقی برای بیمار می‌افتد.

این مدل می‌تواند با موفقیت بیماران مبتلا به این پنج سرطان را به دو گروه تقسیم کند: گروهی با احتمال قابل‌توجه خروجی‌های بهتر و گروهی با احتمال قابل‌توجه خروجی‌های بدتر.

این مدل دانشمندان می‌تواند الگویی باشد برای مدل‌های مشابه هوش مصنوعی که می‌توان آن‌ها را با داده‌های عمومی عوامل اپی‌ژنتیکی مؤثر در خروجی بیماری تولید کرد. این پژوهش نشان می‌دهد که چگونه می‌توان برخی عوامل مؤثر را در انواع مختلف سرطان شناسایی کرد و پتانسیل‌های جذابی برای پیش‌بینی اهداف خاص درمان سرطان دارد.