ALS-onderzoek bevorderen met omica-analysetechnologie

10-04-2020

TechnologyKlinische studies leveren een massa medisch relevante en zeer gevoelige gegevens op. Gebruikmaken van zulke gegevens zou een verschil kunnen maken bij het creëren van meer gepersonaliseerde, effectieve geneesmiddelen. De onderneming Medidata uit New York probeert deze gegevens nuttig in te schakelen. Haar nieuwe samenwerkingsverband met Project ALS richt zich op de complexe pathologie van amyotrofische laterale sclerose (ALS). We spraken hierover met Sheila Diamond van Medidata.

Molly Campbell (MC): Waarom zijn omicagegevens belangrijk voor gepersonaliseerde geneeskunde en wat zijn de doelen van Medidata in de klinische omicaruimte?

Sheila Diamond (SD): Naast mijn functies bij Acorn AI en Medidata ben ik een geaccrediteerd genetisch consulent. Mijn opleiding en ervaring in deze beide klinische en onderzoeksruimtes plaatsen me dan ook in een uitstekende positie om te weten hoe genomische gezondheidstechnologie klinische resultaten voor patiënten kan voeden en sturen. We bevinden ons in een opwindend tijdperk van gepersonaliseerde en precisiegeneeskunde, waarbij het gebruik van omicagegevens en biomerkers ons kan helpen ziektes beter te kenschetsen. De identificatie van biomerkers die een onderscheid maken tussen subsets van patiënten binnen een ziekte – vooral dan zeldzame ziektes met grote onbevredigde klinische behoeften – bieden een enorm werkbare opportuniteit voor patiënten, dienstverleners en onderzoekers. Door gebruik te maken van onze technologieën om omicagegevens te integreren in de klinische praktijk kunnen we beter begrijpen hoe we deze varianten moeten aanwenden om diagnostische criteria, prognostische factoren en behandelingsdoelwitten te voeden. Dit alles vormt één van de belangrijkste doelstellingen van ons partnerschap met Project ALS, een onderzoeksorganisatie die toegewijd zoekt naar een genezing voor ALS.

MC: Medidata heeft samengewerkt met diverse biofarmaceutische ondernemingen om onderzoek te verrichten naar zeldzame ziektes. Kunt een paar hoogtepunten van die projecten opsommen?

SD: Medidata creëerde een end-to-end, op een cloud gebaseerd platform met instrumenten die nodig zijn om de ontwikkeling van nieuwe technologieën te versnellen. De onderneming lanceerde in 2019 Acorn AI by Medidata, een Dassault Systèmes-onderneming, om geavanceerde analysemethodes en het genereren van bewijsmateriaal in te schakelen met behulp van AI en voorspellende modellering. Acorn AI is opgebouwd op het platform van Medidata, dat binnen deze industrietak het grootste gestructureerde, gestandaardiseerde repositorium is voor klinische gegevens. Het bevat bijna 20.000 klinische studies en meer dan 5,8 miljoen patiënten.

Tot nog toe heeft Medidata biofarmaceutische ondernemingen geholpen bij het uitvoeren van meer dan 1.200 studies naar zeldzame ziektes, waarbij meer dan 190.000 patiënten waren betrokken. Een goed voorbeeld is het werk dat we hebben geleverd in ons partnerschap met het Castleman Disease Collaborative Network (CDCN) om precisiegeneeskunde te bevorderen voor patiënten met deze zeldzame, levensbedreigende, lymfoproliferatieve aandoening. Deze samenwerkingsverbanden maakten gebruik van Rave Omics, onze oplossing voor de ontdekking van biomerkers, die deel uitmaakt van de portfolio van Acorn AI. Het team paste de methodologieën voor machinaal leren van Rave Omics toe om nieuwe subgroepen van patiënten te ontdekken binnen een populatie van patiënten met de ziekte van Castleman. Het ontsluiten van deze nieuwe inzichten in de behandelingsrespons kan nieuwe potentiële geneesmiddelendoelwitten aan het licht brengen voor deze patiënten. Dit heeft vooral een impact op de gemeenschap van mensen met zeldzame ziektes, waar deze analyses demonstreren hoe omicatechnologie kan worden gebruikt om onderzoek te bevorderen en voorheen onbekende behandelingsopties te ontdekken bij subpopulaties binnen grotere ziektegroepen.

MC: Wat zijn de uitdagingen bij het verzamelen van omicagegevens in een klinische context en hoe pak je die uitdagingen aan?

SD: Snelle vorderingen op het gebied van gezondheidstechnologie leveren niet alleen grote hoeveelheden gegevens op, maar werpen ook de uitdaging op om gelijkte tred te houden als het erop aankomt deze gegevens te vertalen naar klinisch betekenisvolle resultaten. Naarmate we vorderingen maken bij het definiëren van preciezere subtypes van ziektes met behulp van omicagegevens, rijzen er obstakels bij de ontwikkeling en aflevering van therapieën voor patiënten. De relevante populatie van patiënten die beschikbaar is om deel te nemen aan klinische studies kan bijvoorbeeld kleiner worden, zodat het moeilijker wordt om de patiënten tijdig te identificeren en te rekruteren. Het kan ook een uitdaging vormen patiënten te vinden die de meeste baat zullen hebben bij een behandeling eens een therapie is gecommercialiseerd, vooral in het geval van zeldzame ziektes, waarbij de tijd die verloopt vanaf de diagnose tot de behandeling mogelijk moet worden ingekort. Acorn AI werkt aan oplossingen om deze uitdagingen vol aan te gaan door kwaliteitsvolle omicagegevens in te schakelen en algoritmes van machinaal leren toe te passen om de gegevens sneller te helpen te analyseren, om zo tijdige go/no-go-beslissingen te sturen en de uitvoering van een studie te optimaliseren. Op die manier krijgen we dan uiteindelijk het juiste geneesmiddel bij de juiste patiënt.

Ruairi Mackenzie (RM) + MC: Waarom is het bestuderen van ALS zo moeilijk? Kunt u uitleggen hoe je een onderscheid kunt maken tussen verschillende subtypes van ALS?

SD: ALS is een neurodegeneratieve ziekte die voornamelijk de bovenste en onderste motorneuronen aantast en patiënten berooft van het vermogen om te bewegen, te praten, te eten en te ademen. Er bestaat momenteel geen genezing voor deze zeldzame ziekte, die zowat 30.000 mensen in de VS treft. Genetisch gezien is het een heterogene aandoening met monogene vormen – die worden veroorzaakt door één enkel gen – en multifactoriële vormen met een complexe etiologie. De meeste ALS-gevallen zijn sporadisch, waarbij er geen familiegeschiedenis is van de ziekte. Zowat 10% van de gevallen wordt als familiaal beschouwd. Hoewel we significante vooruitgang hebben geboekt op het gebied van ons begrip van de genetische en omgevingsfactoren van de ziekte, blijft het een moeilijke aandoening om te bestuderen. Het is ook lastig er een effectieve behandeling voor te vinden, want over de oorzaken van ALS tasten we grotendeels in het duister. Voor diegenen die een voorspellende test willen ondergaan voor ALS is het genetische counselingproces complex en verwant met dat van andere neurodegeneratieve aandoeningen, zoals de ziekte van Huntington, omdat er vooralsnog geen preventieve behandeling bestaat voor deze slopende ziekte.

Vooral dankzij veelzijdige samenwerkingsverbanden, zoals dat met Project ALS, kunnen we ons begrip verdiepen van het ziekteproces van ALS voor diegenen die erdoor worden getroffen en kunnen we opportuniteiten helpen te creëren voor het gebruik van pas ontdekte biomerkers die zich in een vroeg onderzoekstadium bevinden.

RM: Bij het delen van gegevens van klinische studies is veiligheid primordiaal. Welke stappen neemt Medidata om de beste datasharingpratijken te handhaven voor haar gegevensbank voor klinische studies?

SD: Medidata neemt het beheer van patiëntengegevens zeer ernstig en investeert fors in privacy en systemen voor kwaliteitsbeheer. Het Medidata-platform wordt onderworpen aan rigoureuze privacycontroles en beantwoordt aan de meest stringente wereldwijde standardaarden voor de privacy van de informatie over de patiënt en de klant.

 

Vertaling: Bart De Becker

Bron: Technology Networks

Share