Hoppa till innehåll
EN In english

Framtidens skräddarsydda behandling: data i global kontext

Diarienummer
BD15-0088
Start- och slutdatum
170101-221231
Beviljat belopp
29 673 095 kr
Förvaltande organisation
Uppsala University
Forskningsområde
Beräkningvetenskap och tillämpad matematik

Summary

Vår strävan att upptäcka bättre behandlingar mot cancer är idag kritiskt beroende av storskalig data-analys. Men för att dra nytta av big data i praktisk cancerforskning kvarstår stora utmaningar. En viktig utmaning består i att kombinera stora data från flera olika försök (celler, djurmodeller, kliniska tester i människor): hur kan dessa data sammanvägas, t ex för att bedöma ett läkemedels potential? En annan stor utmaning består i att länka samman data från olika populationer: kan man bättre förstå data från en specifik population (t ex 100 patienter på KI) genom att väga in heltäckande men mindre specifika data (t ex 10,000 patienter i USA)? För att möta dessa utmaningar föreslår vi ett program med tre delar: 1. Vi kommer att utveckla två big data-baserade metoder som är möjliggör storskalig analys av flera sorters cancerdata över flera olika populationer. Metoderna (MR-SICS och MLLM), är skräddarsydda för cancerdata, baserade på nya rön inom hög-dimensionell statistik och är mycket beräkningseffektiva. 2. I en innovativ studie kommer vi att använda de nya metoderna för att modellera personaliserad behandling av cancerceller från 160 svenskar med hjärntumör. Målet är att visa att MR-SICS och MLLM kan översätta data från lokala och globala källor till konkreta behandlingsstrategier i patienter. 3. För att möjliggöra en bred tillämpning kommer vi att tillhandahålla våra metoder som effektiva verktyg för forskare i fältet, både som en webserver och mjukvarupaket.

Populärvetenskaplig beskrivning

Vår strävan att upptäcka bättre behandlingar mot cancer har blivit kritiskt beroende av storskalig data-analys. Men för att dra nytta av ’big data’ i praktisk cancerforskning kvarstår stora utmaningar. En viktig utmaning har att göra med läkemedelsutveckling: kan man sam-analysera stora data från celler, försöksdjur och människor för att avgöra om ett läkemedel har långsiktig potential? En annan viktig utmaning består i att kunna sätta en patients tumör i ett sammanhang: kan man dramatiskt öka sin förståelse genom att sam-analysera stora data från en grupp av intresse (t ex 100 patienter på KI) i relation till de globala referensdata som nu börjar finnas tillgängliga (t ex 10,000 patienter i USA)? För att möta dessa utmaningar, föreslår vi ett strategiskt program med tre delar: 1. Först ska vi utveckla nya beräkningsbaserade metoder som lämpar sig för att analysera flera sorters cancerdata (t ex mutationer, geners aktivering, epigenetiska förändringar mm) över flera olika populationer (t ex olika former av cancer i nervsystemet). Med hjälp av nya rön inom så kallad högdimensionell statistik föreslår vi två konkreta metoder (vi kallar dem för MR-SICS och MLLM) som är mycket beräkningseffektiva och möjliggör en mer exakt och övergripande analys av multipla stora datamängder. Analysen resulterar i både nya biomarkörer, patientgrupperingar, visualiseringar och statistiskt underbyggda förslag på behandlingsalternativ. 2. För att undersöka potentialen i vår nya metodik kommer vi att utföra en mycket innovativ demonstrationsstudie. I studien kommer MR-SICS och MLLM att användas för att studera en ny form av drogscreeningdata som utvecklats vid MIT, så kallade L1000-data. Vi kommer sedan att dra nytta av en unik svensk biobank av hjärntumörceller som tagits fram av Nelanders forskargrupp i samarbete med flera grupper på UU, SU, Chalmers samt två läkemedelsföretag (AstraZeneca och MedImmune). Målet är att visa hur vår big data-metodik kan identifiera behandlingsalternativ genom att kombinera egna (’lokala’) mätningar med en (’global’) referensdatabas med 1,3 miljoner L1000-försök. 3. Slutligen kommer vi att tillhandahålla våra metoder som effektiva verktyg för forskare i fältet, dels som en webserver (som cancerforskare ska kunna använda), dels som högpreseterande mjukvara (som bioinformatiker ska kunna bädda in i egna lösningar för cancerstudier eller annan biologisk forskning).