Για περισσότερα από 20 χρόνια, η βιοϊατρική έζησε στη σκιά του γονιδιώματος.
Από τη στιγμή που ολοκληρώθηκε το Human Genome Project, η υπόσχεση ήταν σαφής: αν αποκωδικοποιήσουμε το DNA, θα κατανοήσουμε την ασθένεια.
Όμως η πραγματικότητα αποδείχθηκε πιο περίπλοκη.
Παραμένει για παράδειγμα το ερώτημα γιατί δύο άνθρωποι με παρόμοιο γενετικό υπόβαθρο μπορεί να ακολουθήσουν εντελώς διαφορετικές πορείες υγείας; Κάποιος αναπτύσσει διαβήτη, κάποιος άλλος όχι. Κάποιος εμφανίζει νευροεκφυλιστική νόσο, ενώ ένας γενετικά παρόμοιος οργανισμός παραμένει υγιής.
«Το AGEomics προέκυψε από την ανάγκη να κατανοήσουμε καλύτερα πώς οι διαδικασίες που περιλαμβάνουν τον σχηματισμό τελικών προϊόντων προηγμένης γλυκοζυλίωσης (AGEs) επηρεάζουν την υγεία, τη γήρανση και τις ασθένειες μέσω μιας ισχυρής και αξιόπιστης ποσοτικοποίησης των AGEs, και να μεταφράσουμε αυτή τη γνώση σε πρακτικά οφέλη για τους ανθρώπους και τους ασθενείς».
Η καθηγήτρια βιοϊατρικών επιστημών και Executive Director της iDiagnostix Ltd Co στο Ηνωμένο Βασίλειο, Naila Rabbani πιστεύει ότι το πρόβλημα βρίσκεται στον τρόπο με τον οποίο έχουμε μάθει να κοιτάμε τη βιολογία.
«Το γονιδίωμα», υποστηρίζει, «είναι ουσιαστικά ένα εγχειρίδιο οδηγιών. Περιγράφει τι θα μπορούσε να συμβεί, όχι τι πραγματικά συμβαίνει».
Αντίθετα, οι πρωτεΐνες αποτελούν το λειτουργικό επίπεδο της ζωής, εκεί όπου οι γενετικές πληροφορίες συναντούν το περιβάλλον, τη διατροφή, το στρες, τη φλεγμονή, τη γήρανση και τον χρόνο. Και πάνω σε αυτές τις πρωτεΐνες καταγράφεται καθημερινά ένα τεράστιο αρχείο βιολογικών εμπειριών.
Από αυτή τη θεώρηση γεννήθηκε το AGEomics, μια τεχνολογία που φιλοδοξεί να μετατρέψει τις χημικές φθορές των πρωτεϊνών σε ένα νέο είδος βιολογικής πληροφορίας, ικανό να προβλέψει ασθένειες πριν ακόμη γίνουν ορατές από την κλασική κλινική ιατρική.
Η ιδέα ακούγεται σχεδόν παράδοξη
Για δεκαετίες οι βλάβες των πρωτεϊνών θεωρούνταν απλώς ένα ανεπιθύμητο παραπροϊόν του μεταβολισμού. Οι βιοχημικοί γνώριζαν ότι οι πρωτεΐνες υφίστανται συνεχώς τροποποιήσεις από αντιδράσεις γλυκοζυλίωσης, οξείδωσης και νίτρωσης. Γνώριζαν επίσης ότι αυτές οι μεταβολές αυξάνονται σε συνθήκες όπως ο διαβήτης, η παχυσαρκία, οι φλεγμονώδεις νόσοι και οι νευροεκφυλιστικές διαταραχές.
Εκείνο που δεν είχαν κάνει ήταν να δουν αυτές οι τροποποιήσεις ως ένα οργανωμένο σύστημα βιοδεικτών.
Η Rabbani το είδε αυτό το διαφορετικό.
Αντιλήφθηκε πως αν οι πρωτεΐνες φέρουν γραμμένο πάνω τους το ιστορικό του μεταβολικού στρες και της φλεγμονής, τότε ίσως αποτελούν το πιο άμεσο ‘αποτύπωμα’ της πραγματικής βιολογικής κατάστασης ενός ανθρώπου.
«Το AGEomics προέκυψε από την ανάγκη να κατανοήσουμε καλύτερα πώς οι διαδικασίες που περιλαμβάνουν τον σχηματισμό τελικών προϊόντων προηγμένης γλυκοζυλίωσης (AGEs) επηρεάζουν την υγεία, τη γήρανση και τις ασθένειες μέσω μιας ισχυρής και αξιόπιστης ποσοτικοποίησης των AGEs, και να μεταφράσουμε αυτή τη γνώση σε πρακτικά οφέλη για τους ανθρώπους και τους ασθενείς», εξηγεί η ίδια στο WIRED Greece.
Όπως λέει, το AGEomics αντί να εξετάζει ποια μόρια υπάρχουν στο σώμα, εξετάζει τι έχει συμβεί σε αυτά τα μόρια.
«Κάθε χημική τροποποίηση λειτουργεί σαν ένα μικροσκοπικό ίχνος. Η αυξημένη γλυκόζη αφήνει συγκεκριμένο αποτύπωμα. Το οξειδωτικό στρες αφήνει διαφορετικό. Η φλεγμονή δημιουργεί τα δικά της μοριακά σημάδια. Συλλέγοντας και ποσοτικοποιώντας δεκάδες τέτοιους δείκτες ταυτόχρονα, η νέα αυτή τεχνολογία επιχειρεί να δημιουργήσει ένα είδος βιολογικού χάρτη της υγείας».
Η καινοτομία του AGEomics δεν είναι μόνο η μέτρηση, αλλά η ανάλυση
Η Naila Rabbani, η οποία έχει υπηρετήσει σε κορυφαία ακαδημαϊκά ιδρύματα όπως το Warwick Medical School, το Essex University και το Qatar University, θεωρείται διεθνώς μία από τις σημαντικότερες ερευνήτριες στον τομέα της.
Το έργο της γύρω από τη μεθυλογλυοξάλη, το δικαρβονυλικό στρες και τις συνέπειες της πρωτεϊνικής βλάβης στον μεταβολισμό έχει συμβάλει καθοριστικά στη διαμόρφωση της σύγχρονης κατανόησης των μεταβολικών ασθενειών.
Παράλληλα, υπήρξε από τους πρωτοπόρους στην ενσωμάτωση της τεχνητής νοημοσύνης στην ανάπτυξη διαγνωστικών αλγορίθμων βασισμένων σε βιοδείκτες γλυκοζυλίωσης.
Κάθε ασθένεια μοιάζει να αφήνει το δικό της μοναδικό αποτύπωμα μέσα σε αυτά τα δεδομένα, ένα είδος χημικού δακτυλικού αποτυπώματος που οι αλγόριθμοι μπορούν να αναγνωρίσουν.
«Έχω αφιερώσει πάνω από 25 χρόνια ερευνώντας τη βιολογία της γλυκοζυλίωσης και τον ρόλο της στις ανθρώπινες ασθένειες, χτίζοντας τα θεμέλια για την ανάπτυξη του AGEomics», εξηγεί η Δρ Rabbani.
Η τεχνολογική βάση αυτής της νέας προσέγγισης είναι εξίσου εντυπωσιακή.
Μέσω προηγμένων τεχνικών υγρής χρωματογραφίας και φασματομετρίας μάζας υψηλής ακρίβειας, οι ερευνητές μπορούν να ανιχνεύσουν και να μετρήσουν εξαιρετικά μικρές ποσότητες τροποποιημένων αμινοξέων.
Αυτές οι μετρήσεις δεν παρέχουν απλώς μια στιγμιαία εικόνα, όπως συμβαίνει με πολλές κλασικές αιματολογικές εξετάσεις. Οι πρωτεΐνες έχουν τη δική τους βιολογική μνήμη. Διατηρούν πληροφορίες για εβδομάδες, μήνες ή ακόμη και χρόνια. Με μια έννοια, λειτουργούν σαν οι «σκληροί δίσκοι» του ανθρώπινου οργανισμού, αποθηκεύοντας τα ίχνη των μεταβολικών συγκρούσεων που έχει βιώσει το σώμα.
«Η έρευνά μας έχει δείξει ότι οι βιοδείκτες που σχετίζονται με τη γλυκοζυλίωση μπορούν να παρέχουν πολύτιμες γνώσεις σχετικά με τους μηχανισμούς των ασθενειών και την πρόβλεψη κινδύνου, αλλά και ευκαιρίες για παρέμβαση σε πρώιμο στάδιο με θεραπευτικούς παράγοντες – ιδιαίτερα το συμπλήρωμα GlucoRegulate – για τη μείωση του σχηματισμού προϊόντων προηγμένης γλυκοζυλίωσης (AGEs) και των σχετικών βλαβών στην υγεία», σημειώνει η επιστήμονας.
Όμως η πραγματική καινοτομία του AGEomics δεν βρίσκεται μόνο στη μέτρηση. Βρίσκεται στην ανάλυση. Η βιολογία παράγει τόσο τεράστιες ποσότητες δεδομένων ώστε η ανθρώπινη ερμηνεία από μόνη της δεν επαρκεί.
Εδώ εισέρχεται η τεχνητή νοημοσύνη.
Η ομάδα της Rabbani υπήρξε από τις πρώτες που χρησιμοποίησαν αλγορίθμους μηχανικής μάθησης για να αναγνωρίσουν πρότυπα πρωτεϊνικών τροποποιήσεων που συνδέονται με συγκεκριμένες ασθένειες. Αντί να βασίζεται σε έναν μόνο βιοδείκτη, όπως η HbA1c στον διαβήτη ή η CRP στη φλεγμονή, το AGEomics δημιουργεί πολυδιάστατα μοριακά προφίλ.
Κάθε ασθένεια μοιάζει να αφήνει το δικό της μοναδικό αποτύπωμα μέσα σε αυτά τα δεδομένα, ένα είδος χημικού δακτυλικού αποτυπώματος που οι αλγόριθμοι μπορούν να αναγνωρίσουν.
Η λογική θυμίζει περισσότερο αναγνώριση προσώπου παρά παραδοσιακή ιατρική διάγνωση.
Όπως ένα σύστημα τεχνητής νοημοσύνης δεν αναγνωρίζει ένα πρόσωπο από ένα μόνο χαρακτηριστικό αλλά από εκατοντάδες μικρές λεπτομέρειες ταυτόχρονα, έτσι και τα μοντέλα του AGEomics αναλύουν δεκάδες βιοχημικές μεταβλητές για να εντοπίσουν μοτίβα που είναι αόρατα στον άνθρωπο.
Το αποτέλεσμα είναι η δυνατότητα δημιουργίας διαγνωστικών αλγορίθμων με ιδιαίτερα υψηλή ακρίβεια, ευαισθησία και εξειδίκευση.
Επαναπροσδιορισμός του τρόπου με τον οποίο αντιλαμβανόμαστε τους βιοδείκτες
Οι πιθανές εφαρμογές αυτής της προσέγγισης είναι ευρείες.
Ο διαβήτης αποτέλεσε έναν από τους πρώτους στόχους, καθώς η γλυκοζυλίωση των πρωτεϊνών βρίσκεται στον πυρήνα της νόσου. Ωστόσο, οι ερευνητές διαπίστωσαν γρήγορα ότι οι ίδιες βιοχημικές διεργασίες εμπλέκονται και σε πλήθος άλλων παθολογικών καταστάσεων.
Η νέα προσέγγιση φιλοδοξεί να ανιχνεύσει την πορεία προς τη νόσο. Όχι το γεγονός της ασθένειας αλλά την τροχιά της. Όχι το τελικό αποτέλεσμα αλλά τη βιολογική διαδικασία που οδηγεί σε αυτό.
Νευροεκφυλιστικές ασθένειες όπως οι νόσοι Alzheimer και Parkinson, φλεγμονώδεις αρθρίτιδες, νεφρικές επιπλοκές, καρδιομεταβολικές διαταραχές και άλλες χρόνιες παθήσεις φαίνεται να αφήνουν χαρακτηριστικά μοριακά αποτυπώματα τα οποία μπορούν να ανιχνευθούν πολύ πριν η ασθένεια γίνει κλινικά εμφανής.
Αυτό είναι ίσως το πιο ριζοσπαστικό στοιχείο του AGEomics.
Η σημερινή ιατρική λειτουργεί σε μεγάλο βαθμό αντιδραστικά. Διαγιγνώσκει όταν ο ασθενής εμφανίσει συμπτώματα ή όταν οι βλάβες έχουν ήδη εγκατασταθεί.
Η νέα προσέγγιση φιλοδοξεί να ανιχνεύσει την πορεία προς τη νόσο. Όχι το γεγονός της ασθένειας αλλά την τροχιά της. Όχι το τελικό αποτέλεσμα αλλά τη βιολογική διαδικασία που οδηγεί σε αυτό.
«Σε πρόσφατες μελέτες μας, η εφαρμογή της μηχανικής μάθησης επέτρεψε σε αλγόριθμους για τη βελτίωση της διαγνωστικής απόδοσης, π.χ. στον αυτισμό, τον συνδυασμό πολλαπλών μετρήσεων βιοδεικτών AGE. Τώρα μπορώ να δω το AGEomics να συμβάλλει στη βελτίωση της διαγνωστικής στην κύρια κλινική περίθαλψη και να υποστηρίζει μια βαθύτερη κατανόηση των βιοχημικών διεργασιών που συμβάλλουν στη γήρανση και την ανάπτυξη χρόνιων ασθενειών», σημειώνει η Rabbani.
Αν τελικά το AGEomics καταφέρει να εκπληρώσει τις μεγάλες υποσχέσεις του παραμένει ανοιχτό ερώτημα.
Η τεχνολογία βρίσκεται ακόμη σε φάση εξέλιξης και απαιτούνται μεγαλύτερες κλινικές μελέτες για να επιβεβαιωθεί η αποτελεσματικότητά της σε διαφορετικούς πληθυσμούς και νοσήματα.
Ωστόσο, αντιπροσωπεύει μια από τις πιο ενδιαφέρουσες προσπάθειες επαναπροσδιορισμού του τρόπου με τον οποίο αντιλαμβανόμαστε τους βιοδείκτες.
Ίσως η μεγαλύτερη συνεισφορά του AGEomics να είναι φιλοσοφική.
Υπενθυμίζει ότι η βιολογία δεν είναι στατική.
Ο οργανισμός δεν είναι μόνο το γονιδίωμά του. Είναι το σύνολο των αλληλεπιδράσεων ανάμεσα στα γονίδια, το περιβάλλον, τον μεταβολισμό και τον χρόνο.
Αν το DNA περιγράφει τις πιθανότητες, οι πρωτεΐνες καταγράφουν την πραγματικότητα.
Και αν η τεχνητή νοημοσύνη αναζητά το επόμενο μεγάλο σύνολο δεδομένων που θα της επιτρέψει να κατανοήσει βαθύτερα την ανθρώπινη υγεία, ίσως το βρει όχι μέσα στα γονίδια αλλά στις χημικές ‘ουλές’ που αφήνει η ζωή πάνω στις πρωτεΐνες μας.
Εκεί, στα μικροσκοπικά σημάδια της καθημερινής βιολογικής φθοράς, μπορεί να κρύβεται το μέλλον της διάγνωσης.
